FoldFlow2
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
- Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford
- Tipo de Organización
- Industry,Academia,Academia,Academia
- País
- Canada, United Kingdom of Great Britain and Northern Ireland
- Publicado
- 30 May 2024
- Autores
- Guillaume Huguet, James Vuckovic, Kilian Fatras, Eric Thibodeau-Laufer, Pablo Lemos, Riashat Islam, Cheng-Hao Liu, Jarrid Rector-Brooks, Tara Akhound-Sadegh, Michael Bronstein, Alexander Tong, Avishek Joey Bose
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 generation, Protein design
- Modelo base
- ESM2-650M
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
- 48,000,000 tokens
Average protein length = (60 + 384) / 2 = 222 residues Total datapoints = 160,000 structures × 222 residues = 35,520,000
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
- 7.6 × 10²¹ FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: 2x NVIDIA A100 40GB GPUs (3.12 x 10^14 FLOP/s per GPU) 2. Training duration: 4 days (directly provided) = 345,600 seconds 3. Utilization rate: 40% 4. Calculation: 2 GPUs × 3.12×10^14 FLOP/s × 345,600s × 0.4 = 8.6×10^19 FLOPs Base model: 7.560000000001e+21 Total: 7646000000001000000000
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
- Chips utilizados
- 2
- Tiempo de reloj
- 96 hours
- Consumo de energía
- 1.6 kW
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)
CC NC 4.0 https://github.com/DreamFold/FoldFlow weights https://github.com/DreamFold/FoldFlow/releases/tag/0.2.0
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
- Citas
- 49
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
FoldFlow2 fue publicado por Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, en el país registrado como Canada, durante May 2024. La categoría en la que se encuentra el editor es industry,Academia,Academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein generation, Protein design.
Su punto de partida fue un modelo base existente, ESM2-650M. Esa es la forma habitual en que se produce un modelo especializado.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 7.6 × 10²¹ FLOP, en hardware registrado como NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 48,000,000 tokens de texto
Respuestas
FoldFlow2 — preguntas comunes
FoldFlow2— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein generation, Protein design. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
FoldFlow2— ¿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.
FoldFlow2— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.6 × 10²¹ FLOP, en hardware registrado como NVIDIA A100. 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.
FoldFlow2— ¿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.
FoldFlow2— ¿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.
FoldFlow2— ¿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.
FoldFlow2— ¿Quién lo creó?
Fue publicado por Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, basado en Canada, una organización categorizada como industry,Academia,Academia,Academia.
FoldFlow2— ¿cuándo fue lanzado?
Se publicó en May 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.
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.