EigenFold
Χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη αυτού του μοντέλου είναι ανοιχτά, αλλά κανένας αριθμός παραμέτρων δεν έχει δημοσιοποιηθεί γι' αυτό. Κάθε νούμερο σχετικά με τη μνήμη και την ταχύτητα ξεκινά από αυτόν τον αριθμό, γι' αυτό προτιμούμε να μην δείχνουμε τίποτα παρά μια πλαστή εκτίμηση.
Σε εγγραφή
Πλήρης προδιαγραφή
Όλα τα δεδομένα σχετικά με αυτό το μοντέλο. Τα περισσότερα περιγράφουν πώς εκπαιδεύτηκε παρά πώς τρέχει — χρήσιμο πλαίσιο για την αξιολόγηση του πόσο δουλειά απαιτήθηκε και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα.
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε;
- Οργάνωση
- Massachusetts Institute of Technology (MIT)
- Τύπος οργάνωσης
- Academia
- Χώρα
- United States of America
- Δημοσιευμένο
- 5 April 2023
- Συγγραφείς
- Bowen Jing, Ezra Erives, Peter Pao-Huang, Gabriele Corso, Bonnie Berger, Tommi Jaakkola
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Biology
- Εντολή
- Protein folding prediction
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα εκπαιδεύτηκε. Οι παράμετροι είναι το νούμερο που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Δεδομένα εκπαίδευσης
- tokens
" To reduce training time, we train (and validate) only on structures with residue lengths between 20 and 256, for a total of 230,520 (14,128) training (validation) structures."
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το εκτελέσετε στον δικό σας εξοπλισμό, κάτι που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα εφαρμόζονται.
- Βάρη
- Open — downloadable
- Πρόσβαση μοντέλου
- Open weights (unrestricted)
- Κώδικας εκπαίδευσης
- Open source
MIT license https://github.com/bjing2016/EigenFold
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Καταγραφή εμπιστοσύνης
- Unknown
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- EigenFold: Generative Protein Structure Prediction with Diffusion Models
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Σχετικά με αυτό το μοντέλο
EigenFold was published by Massachusetts Institute of Technology (MIT), in United States of America, in April 2023. academia is the category the publisher falls under.
It works in Biology, and is recorded as doing protein folding prediction.
Επειδή τα βάρη του απελευθερώθηκαν, τίποτα σχετικά με την εκτέλεσή του δεν εξαρτάται από έναν πάροχο που παραμένει διαθέσιμος - είναι δικό σας μόλις κατέβει.
Απαντήσεις
EigenFold — Συχνές ερωτήσεις
Is EigenFold open source?
Its weights are published, so EigenFold can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does EigenFold have?
No parameter count has been published for EigenFold, which is why no memory or speed figure appears on this page.
Who created EigenFold?
EigenFold was published by Massachusetts Institute of Technology (MIT), based in United States of America, categorised as academia.
When was EigenFold released?
EigenFold was published in April 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is EigenFold used for?
EigenFold works in Biology, and is recorded as handling protein folding prediction. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
Where can I download EigenFold?
The weights for EigenFold are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
What GPU do I need to run EigenFold?
We cannot say. EigenFold has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Η άλλη κατεύθυνση
Βλέποντάς το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινάει από το μοντέλο. Αν ήδη διαθέτετε μια κάρτα και θέλετε να γνωρίζετε όλα όσα θα τρέξει, Ξεκινήστε από το υλικό αντί..