RFdiffusion
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,Columbia University,Ecole Normale Supèrieure,University of Cambridge,Massachusetts Institute of Technology (MIT),Seoul National University
- Tipo de Organización
- Academia,Academia,Academia,Academia,Academia,Academia
- País
- United States of America, France, United Kingdom of Great Britain and Northern Ireland, Korea (Republic of)
- Publicado
- 23 July 2023
- Autores
- Joseph L. Watson, David Juergens, Nathaniel R. Bennett, Brian L. Trippe, Jason Yim, Helen E. Eisenach, Woody Ahern, Andrew J. Borst, Robert J. Ragotte, Lukas F. Milles, Basile I. M. Wicky, Nikita Hanikel, Samuel J. Pellock, Alexis Courbet, William Sheffler, Jue Wang, Preetham Venkatesh, Isaac Sappington, Susana Vázquez Torres, Anna Lauko, Valentin De Bortoli, Emile Mathieu, Sergey Ovchinnikov, Reg…
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 generation, Protein folding prediction
- Modelo base
- RoseTTAFold All-Atom (RFAA)
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
- tokens
Table 3 (Supplementary materials): Initial Training: crop size 256 25600 examples per epoch 200 epochs Fine tuning: crop size 384 25600 examples per epoch 100 epochs 256*25600*200+384*25600*100 = 2293760000 tokens ~ 2.3B 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.
- Cómo se estableció
- Hardware
- Computación de ajuste fino
- 5.8 × 10²¹ FLOP
125000000000000*64*672*3600*0.3=5.80608e+21
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 V100
- Chips utilizados
- 64
- Tiempo de reloj
- 672 hours (28 days)
- Consumo de energía
- 38.2 kW
"RoseTTAFold was trained for 4 weeks on 64 V100 GPUs on Microsoft Azure." 4*7*24=672 hours
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
- Unreleased
Code for running RFdiffusion has been released on GitHub, free for academic, personal and commercial use at https://github.com/Rosetta- Commons/RFdiffusion. It is also available as a Google Colab notebook, accessible through GitHub.
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
- De novo design of protein structure and function with RFdiffusion
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
RFdiffusion fue publicado por University of Washington,Columbia University,Ecole Normale Supèrieure,University of Cambridge,Massachusetts Institute of Technology (MIT),Seoul National University, en el país registrado como United States of America, durante July 2023. La categoría en la que se encuentra el editor es academia,Academia,Academia,Academia,Academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein generation, Protein folding prediction.
Su punto de partida fue un modelo base existente, RoseTTAFold All-Atom (RFAA). Esa es la forma habitual en que se produce un modelo especializado.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado.
Respuestas
RFdiffusion — preguntas comunes
RFdiffusion— ¿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.
RFdiffusion— ¿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.
RFdiffusion— ¿Quién lo creó?
Fue publicado por University of Washington,Columbia University,Ecole Normale Supèrieure,University of Cambridge,Massachusetts Institute of Technology (MIT),Seoul National University, basado en United States of America, una organización categorizada como academia,Academia,Academia,Academia,Academia,Academia.
RFdiffusion— ¿cuándo fue lanzado?
Se publicó en July 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.
RFdiffusion— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein generation, Protein folding prediction. 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.
RFdiffusion— ¿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.
RFdiffusion— ¿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.
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.