PepGLAD
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
- Tsinghua University,Renmin University of China
- Tipo de Organización
- Academia,Academia
- País
- China
- Publicado
- 21 February 2024
- Autores
- Xiangzhe Kong, Yinjun Jia, Wenbing Huang, Yang Liu
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 design
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
- Épocas
- 560
PepBench Training: 4,157 entries × 10 residues = 41,570 residues PepBDB Training: 8,434 entries × 10 residues = 84,340 residues ProtFrag: 70,645 monomers × 1 residue = 70,645 residues Total: 41,570 + 84,340 + 70,645 = 196,555 residues
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.
- Cómo se estableció
- Hardware
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Chips utilizados
- 1
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
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Full-Atom Peptide Design with Geometric Latent Diffusion
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
PepGLAD fue publicado por Tsinghua University,Renmin University of China, en el país registrado como China, durante February 2024. La categoría en la que se encuentra el editor es academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein design.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Respuestas
PepGLAD — preguntas comunes
PepGLAD— ¿Quién lo creó?
Fue publicado por Tsinghua University,Renmin University of China, basado en China, una organización categorizada como academia,Academia.
PepGLAD— ¿cuándo fue lanzado?
Se publicó en February 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.
PepGLAD— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein design. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
PepGLAD— ¿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.
PepGLAD— ¿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.
PepGLAD— ¿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.
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.