FlexSBDD
Χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη αυτού του μοντέλου δεν έχουν δημοσιευθεί, επομένως δεν μπορεί να κατεβεί ή να τρέξει σε δικό σας υλικό οποιουδήποτε μεγέθους. Είναι προσβάσιμο μόνο μέσω του παρόχου του και καμία κάρτα γραφικών δεν το αλλάζει αυτό.
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
- University of Science and Technology of China (USTC),State Key Laboratory of Cognitive Intelligence,Princeton University
- Τύπος οργάνωσης
- Academia,Academia
- Χώρα
- China, United States of America
- Δημοσιευμένο
- 29 September 2024
- Συγγραφείς
- Zaixi Zhang, Mengdi Wang, Qi Liu
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Biology
- Εντολή
- Drug discovery
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
- 3,675,000,000 tokens
Original pairs: 40,000 + 100,000 = 140,000 Estimated length ~300 tokens: 140000*300=42000000
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
- 1.6 × 10¹⁹ FLOP
- Πώς ιδρύθηκε
- Hardware
1. Hardware: 1x NVIDIA A100 PCIe GPU (3.12e14 FP16 Tensor FLOP/s) 2. Training duration: 36 hours (directly provided) = 129,600 seconds 3. Utilization: 40% (assumed) 4. Calculation: 3.12e14 FLOP/s × 1 GPU × 129,600s × 0.4 = 1.6e19 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 A100
- Τσιπ που χρησιμοποιούνται
- 1
- Χρόνος τοίχου
- 36 hours
- Κατανάλωση ενέργειας
- 433 W
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Καταγραφή εμπιστοσύνης
- Confident
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- FlexSBDD: Structure-Based Drug Design with Flexible Protein Modeling
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Τι είναι αυτό το μοντέλο
FlexSBDD was published by University of Science and Technology of China (USTC),State Key Laboratory of Cognitive Intelligence,Princeton University, in China, in September 2024. The organisation is categorised as academia,Academia.
Δουλεύει στη Βιολογία και καταγράφεται ότι κάνει ανακάλυψη φαρμάκων.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Πώς εκπαιδεύτηκε
Training it took roughly 1.6 × 10¹⁹ FLOP of computation, on NVIDIA A100 — a measure of what producing the model cost, not of how fast it answers.
It was trained on about 3,675,000,000 tokens of text.
Απαντήσεις
FlexSBDD — Συχνές ερωτήσεις
What GPU do I need to run FlexSBDD?
None. FlexSBDD is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is FlexSBDD open source?
The licensing for FlexSBDD was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does FlexSBDD have?
No parameter count has been published for FlexSBDD, which is why no memory or speed figure appears on this page.
Who created FlexSBDD?
FlexSBDD was published by University of Science and Technology of China (USTC),State Key Laboratory of Cognitive Intelligence,Princeton University, based in China, categorised as academia,Academia.
When was FlexSBDD released?
FlexSBDD was published in September 2024. 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 FlexSBDD used for?
FlexSBDD works in Biology, and is recorded as handling drug discovery. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train FlexSBDD?
Around 1.6 × 10¹⁹ FLOP, on NVIDIA A100. 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.
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..