ProtChatGPT
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
- University of Technology Sydney,Zhejiang University (ZJU)
- Tipo de Organización
- Academia,Academia
- País
- Australia, China
- Publicado
- 15 February 2024
- Autores
- Chao Wang, Hehe Fan, Ruijie Quan, Yi Yang
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 question answering
- Modelo base
- Llama 3-8B
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
- 8B
- Datos de entrenamiento
- tokens
Stage 1: - Proteins: 549,000 × 500 = 2.745 × 10⁸ - Descriptions: 549,000 × 50 = 2.745 × 10⁷ - Total: 2.745 × 10⁸ + 2.745 × 10⁷ = 3.0195 × 10⁸ Stage 2: - Proteins: 143,508 × 500 = 7.1754 × 10⁷ - Descriptions: 143,508 × 50 = 7.1754 × 10⁶ - Total: 7.1754 × 10⁷ + 7.1754 × 10⁶ = 7.892 × 10⁷ Final Total: 3.0195 × 10⁸ + 7.892 × 10⁷ = 3.8087 × 10⁸
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
- 7.2 × 10²³ FLOP
- Cómo se estableció
- Hardware
- Computación de ajuste fino
- 3.5 × 10¹⁹ FLOP
GPU hours: 86400s*9.9e+14*2*0.4=6.8e+19 6ND: 6*8000000000*380000001=18240000048000000000 GMean(1.8e+19,6.8e+19)=3.5e+19 Base model: 7.2e+23 Total: 720035320120906900000000
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 H100 SXM5 80GB
- Chips utilizados
- 2
- Tiempo de reloj
- 24 hours
- Consumo de energía
- 2.8 kW
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
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
"Code and our pre-trained model will be publicly available" as of May'25 I cannot find it
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Probablemente por encima de 10²³ FLOP
- Yes
- Confianza de registro
- Confident
- Citas
- 23
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ProtChatGPT: Towards Understanding Proteins with Large Language Models
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
ProtChatGPT fue publicado por University of Technology Sydney,Zhejiang University (ZJU), en el país registrado como Australia, durante February 2024. Sale de una organización categorizada como academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein question answering.
En lugar de ser entrenado desde cero, se deriva de Llama 3-8B. Esa es la forma habitual en que se produce un modelo especializado.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 7.2 × 10²³ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
ProtChatGPT — preguntas comunes
ProtChatGPT— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein question answering. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
ProtChatGPT— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.2 × 10²³ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. 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.
ProtChatGPT— ¿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.
ProtChatGPT— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
ProtChatGPT— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 8B. 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.
ProtChatGPT— ¿Quién lo creó?
Fue publicado por University of Technology Sydney,Zhejiang University (ZJU), basado en Australia, una organización categorizada como academia,Academia.
ProtChatGPT— ¿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.
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.