ESM-AA
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- Peking University,Nanjing University,Tsinghua University,PharMolix
- Tipo de organización
- Academia,Academia,Academia,Industry
- País
- China
- Publicado
- 5 April 2024
- Autores
- Kangjie Zheng, Siyu Long, Tianyu Lu, Junwei Yang, Xinyu Dai, Ming Zhang, Zaiqing Nie, Wei-Ying Ma, Hao Zhou
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 folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins
- Modelo base
- ESM2-35M
Tamaño
Qué tan grande es el modelo y cuántos datos se utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Parámetros
- 35M
- Datos de entrenamiento
- 1,143,750,000 tokens
Assuming 300 tokens per protein and 100 token per molecule 8M*300+209M*100=23300000000
Entrenamiento de computación
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 cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 7.3 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
1. Hardware: 16x NVIDIA A100 GPUs (3.12e14 FLOP/s per GPU) 2. Training duration: 3 days directly reported = 259,200 seconds 3. Utilization: 40% assumed 4. Calculation: 3.12e14 FLOP/s × 16 GPUs × 259,200s × 0.40 = 5.18e20 FLOPs Base model: 209999999999999970000 Total: 209999999999999970000+5.18e20=728000000000000000000
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100
- Chips usados
- 16
- Tiempo en tiempo real
- 72 hours
- Consumo de energía
- 12.7 kW
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Registrar confianza
- Confident
- Citas
- 19
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- ESM All-Atom: Multi-scale Protein Language Model for Unified Molecular Modeling
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
ESM-AA was published by Peking University,Nanjing University,Tsinghua University,PharMolix, in China, in April 2024. academia,Academia,Academia,Industry is the category the publisher falls under.
It works in Biology, and is recorded as doing protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins.
Its starting point was ESM2-35M — most models at this scale are adapted from an existing base rather than built from nothing.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Cómo fue entrenado
The training run consumed about 7.3 × 10²⁰ FLOP, on NVIDIA A100. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
It was trained on about 1,143,750,000 tokens of text.
Respuestas
ESM-AA — Preguntas frecuentes
How many parameters does ESM-AA have?
ESM-AA has 35M parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created ESM-AA?
ESM-AA was published by Peking University,Nanjing University,Tsinghua University,PharMolix, based in China, categorised as academia,Academia,Academia,Industry.
When was ESM-AA released?
ESM-AA was published in April 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is ESM-AA used for?
ESM-AA works in Biology, and is recorded as handling protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train ESM-AA?
Around 7.3 × 10²⁰ FLOP, on NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run ESM-AA?
None. ESM-AA is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is ESM-AA open source?
The licensing for ESM-AA was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.