LBSTER
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
- Prescient Design,Genentech
- Tipo de Organización
- Industry,Industry
- País
- United States of America
- Publicado
- 15 May 2024
- Autores
- Nathan C. Frey, Taylor Joren, Aya Abdelsalam Ismail, Allen Goodman, Richard Bonneau, Kyunghyun Cho, Vladimir Gligorijević
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
- 67M
- Datos de entrenamiento
- 3,375,000,000 tokens
- Épocas
- 4.06
"we are able to train a 67 million parameter model"
UniRef50 dataset size calculation: 43,000,000 sequences × 300 tokens/sequence = 1.29 × 10¹⁰ tokens Training process calculation: 1,048,576 tokens/step × 50,000 steps = 5.24288 × 10¹⁰ total tokens Epochs calculation: 5.24288 × 10¹⁰ / 1.29 × 10¹⁰ = 4.06 epochs Final unique tokens (first epoch only): 1.3 × 10¹⁰ tokens
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
- 1.1 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
1 day on 1 A100 312000000000000*1day*0.4=10782720000000000000
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
- Tiempo de reloj
- 24 hours
- Consumo de energía
- 434 W
"we are able to train a 67 million parameter model in a single day
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
- 4
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Cramming Protein Language Model Training in 24 GPU Hours
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
LBSTER fue publicado por Prescient Design,Genentech, en el país registrado como United States of America, durante May 2024. Sale de una organización categorizada como industry,Industry.
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.
Cómo fue entrenado
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.1 × 10¹⁹ 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.
El conjunto de entrenamiento se ejecutó a aproximadamente 3,375,000,000 tokens de texto
Respuestas
LBSTER — preguntas comunes
LBSTER— ¿Quién lo creó?
Fue publicado por Prescient Design,Genentech, basado en United States of America, una organización categorizada como industry,Industry.
LBSTER— ¿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.
LBSTER— ¿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.
LBSTER— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.1 × 10¹⁹ 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.
LBSTER— ¿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.
LBSTER— ¿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.
LBSTER— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 67M. "we are able to train a 67 million parameter 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.
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.