EvolMPNN
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Aarhus university
- Tipo de Organización
- Academia
- País
- Denmark
- Publicado
- 22 August 2024
- Autores
- Zhiqiang Zhong, Davide Mottin
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Mutation prediction, Protein property prediction
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 63,001 tokens
Total proteins = 82,583 + 8,733 + 54,025 = 145,341 proteins Residues per protein (avg) = 200 Total datapoints = 145,341 × 200 = 29,068,200 ≈ 2.9 × 10^7
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Open (non-commercial)
no clear license https://github.com/zhiqiangzhongddu/EvolMPNN the repo seems to include training and inference code, I am not sure about model weights
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Efficiently Predicting Mutational Effect on Homologous Proteins by Evolution Encoding
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
EvolMPNN fue publicado por Aarhus university, en el país registrado como Denmark, durante August 2024. Sale de una organización categorizada como academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de mutation prediction, Protein property prediction.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
El conjunto de entrenamiento se ejecutó a aproximadamente 63,001 tokens de texto
Respuestas
EvolMPNN — preguntas comunes
EvolMPNN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
EvolMPNN— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
EvolMPNN— ¿Quién lo creó?
Fue publicado por Aarhus university, basado en Denmark, una organización categorizada como academia.
EvolMPNN— ¿cuándo fue lanzado?
Se publicó en August 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
EvolMPNN— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de mutation prediction, Protein property prediction. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
EvolMPNN— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.