PLAPT
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
- Wolfram Research,ASC27,Newport High School,Sanskriti School
- Tipo de Organización
- Industry,Industry,Academia
- País
- United States of America, Italy, India
- Publicado
- 12 February 2024
- Autores
- Tyler Rose, Nicolò Monti, Navvye Anand, Tianyu Shen
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
- Modelo base
- ChemBERTa,ProtBERT-BFD
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
- 1.5M
- Datos de entrenamiento
- tokens
- Épocas
- 60
"Figure 3: The prediction module takes a 1792x1 feature vector as its input, which is then partitioned into two streams: The first stream processes the first 1024 indices of the feature vector through a 512-node protein-specific linear layer, followed by a ReLU activation function. Concurrently, the second stream processes the latter 768 feature indices through a similar 512-node moleculespecific linear layer, also followed by a ReLU activation. Outputs from both streams are concatenated into a…
Training set: 90,000 samples Tokens per sample: 3,200 (protein) + 278 (ligand) = 3,478 Total tokens = 90,000 × 3,478 = 313,020,000 (3.13e8) tokens
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
- 3.9 × 10²² FLOP
- Cómo se estableció
- Operation counting
1474624 connections; 90,000 training examples; table a4 mentions 60 training rounds 6*1474624*90000*60=47777817600000 Including base models: 8465436600000000000 + 3.9e+22 + 47777817600000 = 39008465484377820000000
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 GeForce RTX 4060 Ti
- Chips utilizados
- 1
- Consumo de energía
- 174 W
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
- 8
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- PLAPT: Protein-Ligand Binding Affinity Prediction Using Pretrained Transformers
- Última actualización
- 1 January 2026
Qué significan los números
De dónde vino
PLAPT fue publicado por Wolfram Research,ASC27,Newport High School,Sanskriti School, en el país registrado como United States of America, durante February 2024. Sale de una organización categorizada como industry,Industry,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein-ligand binding affinity prediction.
Se basa en ChemBERTa,ProtBERT-BFD. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 3.9 × 10²² FLOP, en hardware registrado como NVIDIA GeForce RTX 4060 Ti. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
PLAPT — preguntas comunes
PLAPT— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.9 × 10²² FLOP, en hardware registrado como NVIDIA GeForce RTX 4060 Ti. 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.
PLAPT— ¿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.
PLAPT— ¿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.
PLAPT— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.5M. "Figure 3: The prediction module takes a 1792x1 feature vector as its input, which is then partitioned into two streams: The first stream processes the first 1024 indices of the feature vector through a 512-node protein-specific linear layer, followed by a ReLU activation function. Concurrently, the second stream processes the latter 768 feature indices through a similar 512-node moleculespecific linear layer, also followed by a ReLU activation. Outputs from both streams are concatenated into a single vector of 1024 elements. This combined vector is passed through a batch normalization layer with a momentum of 0.9 and epsilon of 0.001. The vector is then fed through the 512-node Linear Layer 1 and ReLU activation. A dropout layer with a probability of 20% is then applied to mitigate overfitting. Following the dropout layer, the prediction module continues to reduce the feature space with the 64-node Linear Layer 2 with ReLU activation, before reaching the single node Linear Layer 3. This layer outputs the predicted scalar value representing the normalized negative log10 affinity value, which is then un-normalized." (512 * 1024) + (512 * 768) + (512 * 1024) + (64 * 512) + 64 = 1474624. 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.
PLAPT— ¿Quién lo creó?
Fue publicado por Wolfram Research,ASC27,Newport High School,Sanskriti School, basado en United States of America, una organización categorizada como industry,Industry,Academia.
PLAPT— ¿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.
PLAPT— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein-ligand binding affinity prediction. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
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.