RoseTTAFold All-Atom (RFAA)
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo están abiertos, pero no se ha publicado ninguna cantidad de parámetros para él. Cada cifra de memoria y velocidad comienza desde ese número, por lo que preferiríamos no mostrar nada en lugar de una estimación fabricada.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello 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 utilizaron para entrenarlo. 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
Entrenamiento de computación
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 cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 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
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA RTX A6000
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página 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 se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- SOTA improvement
- Registrar confianza
- Confident
Fuentes
De dónde proviene este registro y cuándo fue revisado 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) was published by University of Washington,Seoul National University,University of Sheffield, in United States of America, in October 2023. academia,Academia,Academia is the category the publisher falls under.
It works in Biology, and is recorded as doing protein folding prediction, Proteins.
Los pesos están publicados, así que se pueden descargar y ejecutar en tu propio hardware indefinidamente, fuera de línea, sin ninguna cuenta asociada.
Training and provenance
Producing it required around 2.1 × 10²⁰ FLOP of arithmetic, on NVIDIA RTX A6000, which is a statement about the training budget rather than about inference.
The training set ran to roughly 63,240,960 tokens.
Its inclusion criterion is sOTA improvement.
Respuestas
RoseTTAFold All-Atom (RFAA) — Preguntas frecuentes
What is RoseTTAFold All-Atom (RFAA) used for?
RoseTTAFold All-Atom (RFAA) works in Biology, and is recorded as handling protein folding prediction, Proteins. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download RoseTTAFold All-Atom (RFAA)?
The weights for RoseTTAFold All-Atom (RFAA) are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train RoseTTAFold All-Atom (RFAA)?
Around 2.1 × 10²⁰ FLOP, on NVIDIA RTX A6000. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run RoseTTAFold All-Atom (RFAA)?
We cannot say. RoseTTAFold All-Atom (RFAA) has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is RoseTTAFold All-Atom (RFAA) open source?
Its weights are published, so RoseTTAFold All-Atom (RFAA) can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does RoseTTAFold All-Atom (RFAA) have?
No parameter count has been published for RoseTTAFold All-Atom (RFAA), which is why no memory or speed figure appears on this page.
Who created RoseTTAFold All-Atom (RFAA)?
RoseTTAFold All-Atom (RFAA) was published by University of Washington,Seoul National University,University of Sheffield, based in United States of America, categorised as academia,Academia,Academia.
When was RoseTTAFold All-Atom (RFAA) released?
RoseTTAFold All-Atom (RFAA) was published in October 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.