ProteinStructureTransformer
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
- Max Planck Institute of Biochemistry
- Tipo de Organización
- Academia
- País
- Germany
- Publicado
- 26 January 2024
- Autores
- Dexiong Chen, Philip Hartout, Paolo Pellizzoni, Carlos Oliver, Karsten Borgwardt
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 or nucleotide language model (pLM/nLM)
- Modelo base
- ESM2-650M
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
- 1.1B
- Datos de entrenamiento
- tokens
- Épocas
- 100
542,378 proteins × 300 residues/protein = 162,713,400 tokens (1.627e8) Final estimate: 1.6e8 datapoints
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
- 7.6 × 10²¹ FLOP
- Cómo se estableció
- Hardware
- Computación de ajuste fino
- 5.7 × 10¹⁹ FLOP
GPU hour estimate 4*36000s*9.9e+14*0.4=5.7e+19 Base model: 7.560000000001e+21 Combined: 7616995200001001000000
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
- 4
- Tiempo de reloj
- 10 hours
- Consumo de energía
- 5.5 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
- 21
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ENDOWING PROTEIN LANGUAGE MODELS WITH STRUCTURAL KNOWLEDGE
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
ProteinStructureTransformer fue publicado por Max Planck Institute of Biochemistry, en el país registrado como Germany, durante January 2024. Sale de una organización categorizada como academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein or nucleotide language model (pLM/nLM).
En lugar de ser entrenado desde cero, se deriva de ESM2-650M. 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.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 7.6 × 10²¹ 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
ProteinStructureTransformer — preguntas comunes
ProteinStructureTransformer— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.1B. 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.
ProteinStructureTransformer— ¿Quién lo creó?
Fue publicado por Max Planck Institute of Biochemistry, basado en Germany, una organización categorizada como academia.
ProteinStructureTransformer— ¿cuándo fue lanzado?
Se publicó en January 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.
ProteinStructureTransformer— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein or nucleotide language model (pLM/nLM). Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
ProteinStructureTransformer— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.6 × 10²¹ 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.
ProteinStructureTransformer— ¿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.
ProteinStructureTransformer— ¿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.