PepPrCLIP
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
- 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 utilizaron para entrenarlo. 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
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 × 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
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 SXM4 80 GB
- Chips usados
- 1
- Consumo de energía
- 434 W
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 (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 se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Registrar confianza
- Speculative
Fuentes
De dónde proviene este registro y cuándo fue revisado 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
Background
PepPrCLIP was published by Duke University,Cornell University,Sanford Burnham Prebys Institute, in United States of America, in July 2024. academia,Academia is the category the publisher falls under.
It works in Biology, and is recorded as doing protein design.
Published weights mean the model runs on your machine rather than someone else's, which is what makes the hardware question below answerable at all. It is published under the ubiquitx organisation on Hugging Face.
Training and provenance
Producing it required around 1 × 10¹⁸ FLOP of arithmetic, on NVIDIA A100 SXM4 80 GB, which is a statement about the training budget rather than about inference.
Respuestas
PepPrCLIP — Preguntas frecuentes
When was PepPrCLIP released?
PepPrCLIP was published in July 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 PepPrCLIP used for?
PepPrCLIP 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.
Where can I download PepPrCLIP?
Its weights are published under the ubiquitx organisation on Hugging Face. We do not host model files — this site calculates what hardware is needed to run them.
How much compute was used to train PepPrCLIP?
Around 1 × 10¹⁸ FLOP, on NVIDIA A100 SXM4 80 GB. 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 PepPrCLIP?
We cannot say. PepPrCLIP 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 PepPrCLIP open source?
Its weights are published, so PepPrCLIP 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.
How many parameters does PepPrCLIP have?
No parameter count has been published for PepPrCLIP, which is why no memory or speed figure appears on this page.
Who created PepPrCLIP?
PepPrCLIP was published by Duke University,Cornell University,Sanford Burnham Prebys Institute, based in United States of America, categorised as academia,Academia.
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.