DiffBindFR
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
- Peking University,Tsinghua-Peiking Center for Life Sciences
- Tipo de Organización
- Academia,Research collective
- País
- China
- Publicado
- 9 April 2024
- Autores
- Jintao Zhu, Zhonghui Gu, Jianfeng Pei, 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-ligand binding affinity prediction, Protein-ligand contact 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.
- Datos de entrenamiento
- tokens
Data points = 16,739 training structures Note: Epochs (1000) not counted as we only consider unique data points 16,739 = 1.674e4
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
- 4 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: - Main model: 8× NVIDIA A800 GPUs (7.80×10¹³ FLOP/s per GPU) - MDN model: 4× NVIDIA Tesla V100-SXM2 GPUs (1.25×10¹⁴ FLOP/s per GPU) 2. Training duration (estimated from steps and step time): - Main model: 262,000 steps × 5s = 1.31×10⁶ seconds (~15 days) - MDN model: 65,000 steps × 5s = 3.25×10⁵ seconds (~3.76 days) 3. Utilization rate: 40% 4. Final calculation: Main: 8 GPUs × 7.80×10¹³ FLOP/s × 1.31×10⁶ s × 0.4 = 3.31×10²⁰ FLOPs MDN: 4 GPUs × 1.25×10¹⁴ FLOP/s × 3.25×10⁵ s ×…
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 (unrestricted)
- Código de entrenamiento
- Unreleased
BSD-3-Clause-Clear license https://github.com/HBioquant/DiffBindFR
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
- 16
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- DiffBindFR: an SE(3) equivariant network for flexible protein–ligand docking
- Última actualización
- 1 December 2025
Qué significan los números
De dónde vino
DiffBindFR fue publicado por Peking University,Tsinghua-Peiking Center for Life Sciences, en el país registrado como China, durante April 2024. La categoría en la que se encuentra el editor es academia,Research collective.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein-ligand binding affinity prediction, Protein-ligand contact prediction.
Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible.
Qué se necesitó para construirlo
Entrenarlo tomó un presupuesto de computación de aproximadamente 4 × 10²⁰ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
DiffBindFR — preguntas comunes
DiffBindFR— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein-ligand binding affinity prediction, Protein-ligand contact prediction. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
DiffBindFR— ¿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.
DiffBindFR— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4 × 10²⁰ FLOP. 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.
DiffBindFR— ¿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.
DiffBindFR— ¿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.
DiffBindFR— ¿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.
DiffBindFR— ¿Quién lo creó?
Fue publicado por Peking University,Tsinghua-Peiking Center for Life Sciences, basado en China, una organización categorizada como academia,Research collective.
DiffBindFR— ¿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.
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.