BADGER
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
- NVIDIA,University of California (UC) Berkeley
- Tipo de Organización
- Industry,Academia
- País
- United States of America
- Publicado
- 24 June 2024
- Autores
- Yue Jian, Curtis Wu, Danny Reidenbach, Aditi S. Krishnapriyan
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.
- parámetros
- 2.9M
- Datos de entrenamiento
- 100,100 tokens
- Épocas
- 20
2.9M transformer model
100,000 (training) + 100 (testing) = 100,100 unique datapoints 20 epochs mentioned but only unique datapoints counted Final estimate: 1.0e5
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 RTX 6000 Ada Generation
- Chips utilizados
- 1
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
- Likely
- Citas
- 4
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
BADGER fue publicado por NVIDIA,University of California (UC) Berkeley, en el país registrado como United States of America, durante June 2024. Sale de una organización categorizada como industry,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de drug discovery.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Cómo fue entrenado
El entrenamiento consumió un corpus de alrededor de 100,100 tokens de texto
Respuestas
BADGER — preguntas comunes
BADGER— ¿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.
BADGER— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
BADGER— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 2.9M. 2.9M transformer model. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
BADGER— ¿Quién lo creó?
Fue publicado por NVIDIA,University of California (UC) Berkeley, basado en United States of America, una organización categorizada como industry,Academia.
BADGER— ¿cuándo fue lanzado?
Se publicó en June 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.
BADGER— ¿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.
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.