Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
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
- ETH Zurich,University of Zurich,ETH AI Center
- Tipo de Organización
- Academia,Academia,Research collective
- País
- Switzerland
- Publicado
- 19 August 2024
- Autores
- Heath Arthur-Loui, Amina Mollaysa, Michael Krauthammer
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Drug discovery
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
- tokens
- Épocas
- 500
QM9 Dataset: 113,885 molecules × 40 tokens = 4,555,400 tokens ZINC250k Dataset: 250,000 molecules × 120 tokens = 30,000,000 tokens Total: 4,555,400 + 30,000,000 = 34,555,400 tokens ≈ 3.5 × 10^7 tokens
Cómputo de entrenamiento
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 qué tan rápido te responde el modelo terminado.
- Cómo se estableció
- Hardware
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA GeForce RTX 4090
- Chips utilizados
- 1
- Consumo de energía
- 487 W
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
- Open — downloadable
- Acceso al modelo
- Open weights (non-commercial)
- Código de entrenamiento
- Open (non-commercial)
no clear license https://github.com/HeathArhturLouis/Rethinking-Molecular-Design-Integrating-Latent-Variable-and-Autoregressive-Models-for-Enhanced-Goal
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
- Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation fue publicado por ETH Zurich,University of Zurich,ETH AI Center, en el país registrado como Switzerland, durante August 2024. La categoría en la que se encuentra el editor es academia,Academia,Research collective.
Funciona en el dominio de Biology, y se registra como realizando la tarea de drug discovery.
El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener.
Respuestas
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation — preguntas comunes
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— ¿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.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— ¿Quién lo creó?
Fue publicado por ETH Zurich,University of Zurich,ETH AI Center, basado en Switzerland, una organización categorizada como academia,Academia,Research collective.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— ¿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.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de drug discovery. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
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.