ESM-AA
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,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 usaron para su entrenamiento. 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
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
- 7.3 × 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
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
- 16
- Tiempo de reloj
- 72 hours
- Consumo de energía
- 12.7 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
- 19
Fuentes
De dónde proviene este registro y cuándo fue comprobado 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 fue publicado por Peking University,Nanjing University,Tsinghua University,PharMolix, en el país registrado como China, durante April 2024. La categoría en la que se encuentra el editor es academia,Academia,Academia,Industry.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins.
Su punto de partida fue un modelo base existente, ESM2-35M. Por eso comparte la forma y el tamaño general del modelo base.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
El entrenamiento consumió alrededor de 7.3 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100. 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 1,143,750,000 tokens de texto
Respuestas
ESM-AA — preguntas comunes
ESM-AA— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 35M. 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.
ESM-AA— ¿Quién lo creó?
Fue publicado por Peking University,Nanjing University,Tsinghua University,PharMolix, basado en China, una organización categorizada como academia,Academia,Academia,Industry.
ESM-AA— ¿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.
ESM-AA— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
ESM-AA— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.3 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100. 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.
ESM-AA— ¿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.
ESM-AA— ¿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.