PepPrCLIP
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
- Duke University,Cornell University,Sanford Burnham Prebys Institute
- Tipo de Organización
- Academia,Academia
- País
- United States of America
- Publicado
- 22 July 2024
- Autores
- Suhaas Bhat, Kalyan Palepu, Lauren Hong, Joey Mao, Tianzheng Ye, Rema Iyer, Lin Zhao, Tianlai Chen, Sophia Vincoff, Rio Watson, Tian Wang, Divya Srijay, Venkata Srikar Kavirayuni, Kseniia Kholina, Shrey Goel, Pranay Vure, Aniruddha J Desphande, Scott H Soderling, Matthew P DeLisa, Pranam Chatterjee
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 design
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
- 56
11,597 datapoints from noisy dataset training pairs used for pre-training 11,597 x 1 epoch = 11,597 total datapoints Final estimate: 11,597 ≈ 1.16e4
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.
- Cómputo de entrenamiento
- 1 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
1. Hardware: 1x NVIDIA A100 80GB GPU (3.12e14 FLOP/s fp16) 2. Training duration: 6 hours (estimated based on dataset size and epochs) 3. Utilization: 40% 4. Calculation: 3.12e14 FLOP/s × 0.4 × (6 × 3600s) = 2.69e18 FLOP ≈ 1.0e18 FLOP
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 A100 SXM4 80 GB
- Chips utilizados
- 1
- Consumo de energía
- 434 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)
- Hugging Face
- ubiquitx
All code and Colab notebooks to run PepPrCLIP can be freely accessed by the academic community at: https://huggingface.co/ubiquitx/pepprclip, after signing a non-commercial, research-only academic license. All raw and processed data have been deposited to the Zenodo repository: https://zenodo.org/doi/10.5281/zenodo.10971077
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
- Speculative
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- De Novo Design of Peptide Binders to Conformationally Diverse Targets with Contrastive Language Modeling
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
PepPrCLIP fue publicado por Duke University,Cornell University,Sanford Burnham Prebys Institute, en el país registrado como United States of America, durante July 2024. La categoría en la que se encuentra el editor es academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein design.
Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible. En Hugging Face está publicado bajo la organización ubiquitx.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 1 × 10¹⁸ FLOP, en hardware registrado como NVIDIA A100 SXM4 80 GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
PepPrCLIP — preguntas comunes
PepPrCLIP— ¿cuándo fue lanzado?
Se publicó en July 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.
PepPrCLIP— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein design. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
PepPrCLIP— ¿Dónde puedo descargarlo?
Sus pesos están publicados en Hugging Face, bajo la organización ubiquitx. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.
PepPrCLIP— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1 × 10¹⁸ FLOP, en hardware registrado como NVIDIA A100 SXM4 80 GB. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
PepPrCLIP— ¿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.
PepPrCLIP— ¿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.
PepPrCLIP— ¿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.
PepPrCLIP— ¿Quién lo creó?
Fue publicado por Duke University,Cornell University,Sanford Burnham Prebys Institute, basado en United States of America, una organización categorizada como academia,Academia.
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.