RoseTTAFold All-Atom (RFAA)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
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 Washington,Seoul National University,University of Sheffield
- Tipo de Organización
- Academia,Academia,Academia
- País
- United States of America, Korea (Republic of), United Kingdom of Great Britain and Northern Ireland
- Publicado
- 9 October 2023
- Autores
- Rohith Krishna, Jue Wang, Woody Ahern, Pascal Sturmfels, Preetham Venkatesh, Indrek Kalvet, Gyu Rie Lee, Felix S Morey-Burrows, Ivan Anishchenko, Ian R Humphreys, Ryan McHugh, Dionne Vafeados, Xinting Li, George A Sutherland, Andrew Hitchcock, C Neil Hunter, Minkyung Baek, Frank DiMaio, David Baker
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 folding prediction, Proteins
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
- 63,240,960 tokens
Datasets: 121,800 + 112,546 + 12,689 = 247,035 "All examples were cropped to have 256 tokens during the initial stages of training and 375 tokens during fine-tuning." 247035 * 256 =63,240,960 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
- 2.1 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
Supplementary material: "This took 8 days on 8 NVIDIA A6000 GPUs." 8 GPUS *3.87E+13 FLOPS/A6000 *60 * 60 * 24 * 8 days
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
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
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Open source
MIT-like license. inference code + training hyperparams: https://github.com/baker-laboratory/RoseTTAFold-All-Atom?tab=License-1-ov-file#readme
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Generalized Biomolecular Modeling and Design with RoseTTAFold All-Atom
- Última actualización
- 11 February 2026
Qué significan los números
Qué es este modelo
RoseTTAFold All-Atom (RFAA) fue publicado por University of Washington,Seoul National University,University of Sheffield, en el país registrado como United States of America, durante October 2023. La categoría en la que se encuentra el editor es academia,Academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein folding prediction, Proteins.
Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 2.1 × 10²⁰ 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.
El conjunto de entrenamiento se ejecutó a aproximadamente 63,240,960 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
RoseTTAFold All-Atom (RFAA) — preguntas comunes
RoseTTAFold All-Atom (RFAA)— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein folding prediction, Proteins. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
RoseTTAFold All-Atom (RFAA)— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
RoseTTAFold All-Atom (RFAA)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.1 × 10²⁰ 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.
RoseTTAFold All-Atom (RFAA)— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
RoseTTAFold All-Atom (RFAA)— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
RoseTTAFold All-Atom (RFAA)— ¿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.
RoseTTAFold All-Atom (RFAA)— ¿Quién lo creó?
Fue publicado por University of Washington,Seoul National University,University of Sheffield, basado en United States of America, una organización categorizada como academia,Academia,Academia.
RoseTTAFold All-Atom (RFAA)— ¿cuándo fue lanzado?
Se publicó en October 2023. 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.