GraSR
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
- Shanghai Jiao Tong University,Ministry of Education of China
- Τύπος οργάνωσης
- Academia,Government
- Χώρα
- China
- Δημοσιευμένο
- 24 March 2022
- Συγγραφείς
- Chunqiu Xia, Shi-Hao Feng, Ying Xia, Xiaoyong Pan, Hong-Bin Shen
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Biology
- Εντολή
- Protein structure comparison
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
- 13,265 tokens
SCOPe v2.07 Dataset: Total PDB Entries: 87,224 Total Domains: 276,231 Training Set Size = Total Domains - Cross-Validation Domains Training Set Size = 276,231 - 13,265 = 262,966 domains
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε αριθμητικές πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι πόσο γρήγορα απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 3.8 × 10¹⁸ FLOP
- Πώς ιδρύθηκε
- Hardware
1. Hardware setup: 2x TITAN Xp GPUs (1.10×10¹³ FLOP/s each) 2. Training duration: Estimated 5 days (432,000 seconds) based on "several days" mention -> "Likely" confidence 3. Utilization rate: 40% 4. Calculation: 2 GPUs × 1.10×10¹³ FLOP/s × 432,000s × 0.40 = 3.8×10¹⁸ FLOPs
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Εκπαίδευση υλικού
- NVIDIA TITAN Xp
- Τσιπ που χρησιμοποιούνται
- 2
- Χρόνος τοίχου
- 120 hours
- Κατανάλωση ενέργειας
- 1.0 kW
"The whole GraSR model is trained on two TITAN Xp Graphics Cards, and the training procedure took several days." Estimated 5 days (432,000 seconds) based on "several days" mention
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 (non-commercial)
The data and source code can be found at https://github.com/chunqiux/GraSR (GPL-3.0 license). In addition, we also archive it on Zenodo (https://doi.org/10.5281/zenodo.5338957). "The GraSR parameters are made availabe under a Creative Commons Attribution 4.0 International License."
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Καταγραφή εμπιστοσύνης
- Likely
- Αναφορές
- 28
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- Fast protein structure comparison through effective representation learning with contrastive graph neural networks
- Τελευταία ενημέρωση
- 1 January 2026
Τι σημαίνουν οι αριθμοί
Από πού προήλθε
GraSR was published by Shanghai Jiao Tong University,Ministry of Education of China, in China, in March 2022. academia,Government is the category the publisher falls under.
It works in Biology, and is recorded as doing protein structure comparison.
The weights are published, so it can be downloaded and run on your own hardware indefinitely, offline, with no account attached.
Τι απαιτήθηκε για την κατασκευή του
The training run consumed about 3.8 × 10¹⁸ FLOP, on NVIDIA TITAN Xp. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
The training set ran to roughly 13,265 tokens.
Απαντήσεις
GraSR — Συχνές ερωτήσεις
Where can I download GraSR?
The weights for GraSR are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train GraSR?
Around 3.8 × 10¹⁸ FLOP, on NVIDIA TITAN Xp. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run GraSR?
We cannot say. GraSR 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.
Is GraSR open source?
Τα βάρη του είναι δημοσιευμένα, οπότε το GraSR μπορεί να κατέβει και να εκτελεστεί στο δικό σας υλικό. Σημειώστε ότι τα ανοιχτά βάρη δεν είναι το ίδιο με τον ανοιχτό κώδικα με την πλήρη έννοια — δεν λέει τίποτα για τα δεδομένα εκπαίδευσης, τον κώδικα εκπαίδευσης ή τους εμπορικούς όρους που συνδέονται.
How many parameters does GraSR have?
No parameter count has been published for GraSR, which is why no memory or speed figure appears on this page.
Who created GraSR?
GraSR was published by Shanghai Jiao Tong University,Ministry of Education of China, based in China, categorised as academia,Government.
When was GraSR released?
GraSR was published in March 2022. 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 GraSR used for?
GraSR works in Biology, and is recorded as handling protein structure comparison. These are the areas it was designed around; they describe intent rather than a hard boundary.
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..