Improved motif-scaffolding with SE(3) flow matching
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 Oxford,Massachusetts Institute of Technology (MIT),Microsoft Research AI for Science
- Tipo de Organización
- Academia,Academia,Industry
- País
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Publicado
- 8 January 2024
- Autores
- Jason Yim, Andrew Campbell, Emile Mathieu, Andrew Y. K. Foong, Michael Gastegger, José Jiménez-Luna, Sarah Lewis, Victor Garcia Satorras, Bastiaan S. Veeling, Frank Noé, Regina Barzilay, Tommi S. Jaakkola
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.
- parámetros
- 16.8M
- Datos de entrenamiento
- 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
- 1.6 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
1. Hardware: 2x NVIDIA RTX A6000 (3.87e13 FLOP/s per GPU) 2. Training duration: 6 days = 518,400 seconds (directly provided) 3. Utilization: 40% 4. Calculation: 2 GPUs × 3.87e13 FLOP/s × 518,400s × 0.40 = 1.6e19 FLOPs
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 RTX A6000
- Chips utilizados
- 2
- Tiempo de reloj
- 144 hours
- Consumo de energía
- 1.2 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
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Improved motif-scaffolding with SE(3) flow matching
- Última actualización
- 11 February 2026
Qué significan los números
De dónde vino
Improved motif-scaffolding with SE(3) flow matching fue publicado por University of Oxford,Massachusetts Institute of Technology (MIT),Microsoft Research AI for Science, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante January 2024. La categoría en la que se encuentra el editor es academia,Academia,Industry.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein design.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.6 × 10¹⁹ FLOP, en hardware registrado como NVIDIA RTX A6000. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Improved motif-scaffolding with SE(3) flow matching — preguntas comunes
Improved motif-scaffolding with SE(3) flow matching— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein design. 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.
Improved motif-scaffolding with SE(3) flow matching— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.6 × 10¹⁹ FLOP, en hardware registrado como NVIDIA RTX A6000. 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.
Improved motif-scaffolding with SE(3) flow matching— ¿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.
Improved motif-scaffolding with SE(3) flow matching— ¿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.
Improved motif-scaffolding with SE(3) flow matching— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 16.8M. 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.
Improved motif-scaffolding with SE(3) flow matching— ¿Quién lo creó?
Fue publicado por University of Oxford,Massachusetts Institute of Technology (MIT),Microsoft Research AI for Science, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia,Academia,Industry.
Improved motif-scaffolding with SE(3) flow matching— ¿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.
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.