SS-pLM
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
- Nostrum Biodiscovery,Barcelona Supercomputing Center,Institucio Catalana de Recerca i Estudis Avancçats
- Tipo de Organización
- Government,Research collective
- País
- Spain
- Publicado
- 6 August 2023
- Autores
- Yaiza Serrano, Sergi Roda, Victor Guallar, Alexis Molina
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)
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
- 14.8M
- Datos de entrenamiento
- tokens
From Table 3
Total Datapoints = 1.75 × 10⁶ sequences × 300 tokens/sequence = 5.25 × 10⁸ 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
- 2.3 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: 4x NVIDIA A30 GPUs (1.50×10¹⁴ FLOP/s per GPU in FP16) 2. Training duration: 1 day (86,400 seconds) - directly provided 3. Utilization rate: 40% 4. Calculation: 4 GPUs × 1.50×10¹⁴ FLOP/s × 86,400s × 0.40 = 2.07×10¹⁹ FLOPs 4*1.7e+14*0.4*86400s=2.3e+19
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 A30 PCIe
- Chips utilizados
- 4
- Tiempo de reloj
- 24 hours
- Consumo de energía
- 1.3 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
- 5
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Efficient and accurate sequence generation with small-scale protein language models
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
SS-pLM fue publicado por Nostrum Biodiscovery,Barcelona Supercomputing Center,Institucio Catalana de Recerca i Estudis Avancçats, en el país registrado como Spain, durante August 2023. La organización editora está clasificada como government,Research collective.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein or nucleotide language model (pLM/nLM).
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 2.3 × 10¹⁹ FLOP, en hardware registrado como NVIDIA A30 PCIe. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
SS-pLM — preguntas comunes
SS-pLM— ¿Quién lo creó?
Fue publicado por Nostrum Biodiscovery,Barcelona Supercomputing Center,Institucio Catalana de Recerca i Estudis Avancçats, basado en Spain, una organización categorizada como government,Research collective.
SS-pLM— ¿cuándo fue lanzado?
Se publicó en August 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.
SS-pLM— ¿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). Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
SS-pLM— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.3 × 10¹⁹ FLOP, en hardware registrado como NVIDIA A30 PCIe. 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.
SS-pLM— ¿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.
SS-pLM— ¿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.
SS-pLM— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 14.8M. From Table 3. 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.
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.