Alphaflow
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo están abiertos, pero no se ha publicado ninguna cantidad de parámetros para él. Cada cifra de memoria y velocidad comienza desde ese número, por lo que preferiríamos no mostrar nada en lugar de una estimación fabricada.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- Massachusetts Institute of Technology (MIT)
- Tipo de organización
- Academia
- País
- United States of America
- Publicado
- 2 September 2024
- Autores
- Bowen Jing, Bonnie Berger, Tommi Jaakkola
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Protein folding prediction
Tamaño
Qué tan grande es el modelo y cuántos datos se utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
AlphaFLOW: 1.28M × 256 = 327,680,000 43K × 256 = 11,008,000 Total: 327,680,000 + 11,008,000 = 338,688,000
Entrenamiento de computación
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 1.6 × 10²¹ FLOP
- Cómo se estableció
- Hardware
Training stages, Table 2: 267+105+11+28+9+39=459 hours 459*60*60*312000000000000*8*0.4=1649756160000000000000
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100
- Chips usados
- 8
- Consumo de energía
- 6.3 kW
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Open source
MIT license https://github.com/bjing2016/alphaflow
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Registrar confianza
- Confident
- Citas
- 237
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- AlphaFold Meets Flow Matching for Generating Protein Ensembles
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Alphaflow was published by Massachusetts Institute of Technology (MIT), in United States of America, in September 2024. It comes out of academia.
It works in Biology, and is recorded as doing protein folding prediction.
Because its weights were released, nothing about running it depends on a provider staying available — it is yours once downloaded.
Qué se utilizó para construirlo
Training it took roughly 1.6 × 10²¹ FLOP of computation, on NVIDIA A100 — a measure of what producing the model cost, not of how fast it answers.
Respuestas
Alphaflow — Preguntas frecuentes
How many parameters does Alphaflow have?
No parameter count has been published for Alphaflow, which is why no memory or speed figure appears on this page.
Who created Alphaflow?
Alphaflow was published by Massachusetts Institute of Technology (MIT), based in United States of America, categorised as academia.
When was Alphaflow released?
Alphaflow 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 Alphaflow used for?
Alphaflow works in Biology, and is recorded as handling protein folding prediction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Where can I download Alphaflow?
The weights for Alphaflow 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 Alphaflow?
Around 1.6 × 10²¹ 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.
What GPU do I need to run Alphaflow?
We cannot say. Alphaflow 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 Alphaflow open source?
Its weights are published, so Alphaflow 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.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.