InstructPLM
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
- Zhejiang Lab,Zhejiang University (ZJU),Nanjing University,Tsinghua University,Alibaba,Chinese University of Hong Kong (CUHK)
- Tipo de Organización
- Academia,Academia,Academia,Industry,Academia
- País
- China, Hong Kong
- Publicado
- 20 April 2024
- Autores
- Jiezhong Qiu, Junde Xu, Jie Hu, Hanqun Cao, Liya Hou, Zijun Gao, Xinyi Zhou, Anni Li, Xiujuan Li, Bin Cui, Fei Yang, Shuang Peng, Ning Sun, Fangyu Wang, Aimin Pan, Jie Tang, Jieping Ye, Junyang Lin, Jin Tang, Xingxu Huang, Pheng Ann Heng, Guangyong Chen
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 folding prediction
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
- 89.1M
- Datos de entrenamiento
- 5,407,200 tokens
- Épocas
- 200
Table 2
InstructPLM Training Data Points: - Training Proteins: 18,024 - Avg Sequence Length: 300 - Total Tokens = 18,024 × 300 = 5,407,200 ≈ 5.4 × 10^6 data points
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
- 4
- Consumo de energía
- 3.2 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
- 13
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- InstructPLM: Aligning Protein Language Models to Follow Protein Structure Instructions
- Última actualización
- 1 January 2026
Qué significan los números
Qué es este modelo
InstructPLM fue publicado por Zhejiang Lab,Zhejiang University (ZJU),Nanjing University,Tsinghua University,Alibaba,Chinese University of Hong Kong (CUHK), en el país registrado como China, durante April 2024. La organización editora está clasificada como academia,Academia,Academia,Industry,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein generation, Protein folding prediction.
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 conjunto de entrenamiento se ejecutó a aproximadamente 5,407,200 tokens de texto
Respuestas
InstructPLM — preguntas comunes
InstructPLM— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 89.1M. 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.
InstructPLM— ¿Quién lo creó?
Fue publicado por Zhejiang Lab,Zhejiang University (ZJU),Nanjing University,Tsinghua University,Alibaba,Chinese University of Hong Kong (CUHK), basado en China, una organización categorizada como academia,Academia,Academia,Industry,Academia.
InstructPLM— ¿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.
InstructPLM— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein generation, Protein folding prediction. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
InstructPLM— ¿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.
InstructPLM— ¿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.
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.