Text2Protein
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 California San Diego,Brown University
- Τύπος οργάνωσης
- Academia,Academia
- Χώρα
- United States of America
- Δημοσιευμένο
- 13 September 2024
- Συγγραφείς
- Ramtin Hosseini, Siyang Zhang, Pengtao Xie
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Biology
- Εντολή
- Protein design
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
Training set: 10,898 * 0.95 = 10,353 proteins Average residues per protein: 100 Total datapoints = 10,353 * 100 = 1,035,300 Range validation: Minimum (40 residues): 10,353 * 40 = 414,120 Maximum (256 residues): 10,353 * 256 = 2,648,768 Final estimate: ~1.0e6 datapoints
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
- 5.5 × 10¹⁹ FLOP
- Πώς ιδρύθηκε
- Hardware
1. Hardware setup: 1x NVIDIA RTX 3090 (1.60e14 FLOP/s FP16 tensor) 2. Training duration: 10 days provided directly (864,000 seconds) 3. Utilization rate: 40% 4. Calculation: 1.60e14 FLOP/s × 1 GPU × 864,000s × 0.4 = 5.5e19 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 GeForce RTX 3090
- Χρόνος τοίχου
- 240 hours (10 days)
"We trained the diffusion model for approximately 500,000 iterations with a batch size of 248. The entire training process, conducted on an NVIDIA RTX 3090 GPU, took about 10 days to complete."
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
- Text2Protein: A Generative Model for Designated Protein Design on Given Description
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Ιστορικό
Text2Protein was published by University of California San Diego,Brown University, in United States of America, in September 2024. The organisation is categorised as academia,Academia.
It works in Biology, and is recorded as doing protein design.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Πώς εκπαιδεύτηκε
Training it took roughly 5.5 × 10¹⁹ FLOP of computation, on NVIDIA GeForce RTX 3090 — a measure of what producing the model cost, not of how fast it answers.
Απαντήσεις
Text2Protein — Συχνές ερωτήσεις
What GPU do I need to run Text2Protein?
None. Text2Protein 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 Text2Protein open source?
The licensing for Text2Protein 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 Text2Protein have?
No parameter count has been published for Text2Protein, which is why no memory or speed figure appears on this page.
Who created Text2Protein?
Text2Protein was published by University of California San Diego,Brown University, based in United States of America, categorised as academia,Academia.
When was Text2Protein released?
Text2Protein 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 Text2Protein used for?
Text2Protein works in Biology, and is recorded as handling protein design. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train Text2Protein?
Around 5.5 × 10¹⁹ FLOP, on NVIDIA GeForce RTX 3090. 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..