ProSST
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
- Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology
- Tipo de Organización
- Academia,Academia,Academia
- País
- China
- Publicado
- 17 May 2024
- Autores
- Mingchen Li, Pan Tan, Xinzhu Ma, Bozitao Zhong, Huiqun Yu, Ziyi Zhou, Wanli Ouyang, Bingxin Zhou, Liang Hong, Yang Tan
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 or nucleotide language model (pLM/nLM)
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
- 110M
- Datos de entrenamiento
- tokens
Explicitly denoted in Table 2
18.8M structures × 300 residues per structure = 5.64B data points ≈ 5.6B data points
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
- 6.5 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
"All ProSST models is trained on a DGX-A800 GPU (8×80G) server in BF16 precision for about a month." 8*77970000000000*0.4*1month=646714368000000000000
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 A800 PCIe 40 GB
- Chips utilizados
- 8
- Tiempo de reloj
- 720 hours (30 days)
- Consumo de energía
- 4.0 kW
"All ProSST models is trained [...] for about a month."
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
- 57
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ProSST: Protein Language Modeling with Quantized Structure and Disentangled Attention
- Última actualización
- 1 January 2026
Qué significan los números
Qué es este modelo
ProSST fue publicado por Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology, en el país registrado como China, durante May 2024. La organización editora está clasificada como academia,Academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein or nucleotide language model (pLM/nLM).
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.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 6.5 × 10²⁰ FLOP, en hardware registrado como NVIDIA A800 PCIe 40 GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
ProSST — preguntas comunes
ProSST— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein or nucleotide language model (pLM/nLM). Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
ProSST— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.5 × 10²⁰ FLOP, en hardware registrado como NVIDIA A800 PCIe 40 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.
ProSST— ¿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.
ProSST— ¿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.
ProSST— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 110M. Explicitly denoted in Table 2. 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.
ProSST— ¿Quién lo creó?
Fue publicado por Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology, basado en China, una organización categorizada como academia,Academia,Academia.
ProSST— ¿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.