DiffPepBuilder
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
- Peking University
- Tipo de Organización
- Academia
- País
- China
- Publicado
- 30 April 2024
- Autores
- Fanhao Wang, Yuzhe Wang, Laiyi Feng, Changsheng Zhang, Luhua Lai
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
- 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.
- parámetros
- 104M
- Datos de entrenamiento
- 1,489,700 tokens
Step-by-step calculation: Complexes = 14,897 Average length = (8 + 30)/2 = 19 Total datapoints = 14,897 × 19 = 283,043 ≈ 2.83×10⁵
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
- 7.7 × 10²¹ FLOP
- Cómo se estableció
- Hardware
1. Hardware: 8x NVIDIA A800 80GB GPUs (7.80e13 FLOP/s per GPU) 2. Training duration: 5 days = 432,000 seconds (directly provided) 3. Utilization: 40% 4. Calculation: 7.80e13 FLOP/s/GPU × 8 GPUs × 432,000s × 0.40 = 1.08e20 FLOP (7.80e13 × 8 = 6.24e14 FLOP/s total → × 432,000s = 2.70e20 → × 0.40 = 1.08e20) Base model: 7.560000000001e+21 Total: 7667785728001000000000
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
- 120 hours
- Consumo de energía
- 4.0 kW
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
- 27
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Target-Specific De Novo Peptide Binder Design with DiffPepBuilder
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
DiffPepBuilder fue publicado por Peking University, en el país registrado como China, durante April 2024. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein generation.
Se basa en ESM2-650M. Por eso comparte la forma y el tamaño general del modelo base.
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.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 7.7 × 10²¹ 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.
Fue entrenado en un corpus de aproximadamente 1,489,700 tokens de texto
Respuestas
DiffPepBuilder — preguntas comunes
DiffPepBuilder— ¿Quién lo creó?
Fue publicado por Peking University, basado en China, una organización categorizada como academia.
DiffPepBuilder— ¿cuándo fue lanzado?
Se publicó en April 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.
DiffPepBuilder— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein generation. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
DiffPepBuilder— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.7 × 10²¹ 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.
DiffPepBuilder— ¿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.
DiffPepBuilder— ¿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.
DiffPepBuilder— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 104M. 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.