PoET
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
- OpenProtein.ai
- Tipo de Organización
- Industry
- País
- Singapore
- Publicado
- 9 June 2023
- Autores
- Timothy F. Truong Jr, Tristan Bepler
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 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
- 57M
- Datos de entrenamiento
- tokens
29,000,000 sets * 10 sequences/set = 290,000,000 sequences Tokens per sequence = 300 amino acids + 2 tokens = 302 tokens Total tokens = 290,000,000 sequences * 302 tokens/sequence = 87,580,000,000 Final result: 8.758 × 10¹⁰ datapoints
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 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: 7x NVIDIA A100 GPUs, 3.12e14 FLOP/s per GPU 2. Training duration: 3 days = 259,200 seconds (directly provided) 3. Utilization rate: 40% (default assumption) 4. Calculation: 3.12e14 FLOP/s × 7 GPUs × 259,200s × 0.4 = 2.3e20 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 A100
- Chips utilizados
- 7
- Tiempo de reloj
- 72 hours
- Consumo de energía
- 5.6 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
- 83
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- PoET: A generative model of protein families as sequences-of-sequences
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
PoET fue publicado por OpenProtein.ai, en el país registrado como Singapore, durante June 2023. Sale de una organización categorizada como industry.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein generation, Protein or nucleotide language model (pLM/nLM).
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Qué se necesitó para construirlo
Entrenarlo tomó un presupuesto de computación de aproximadamente 2.3 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
PoET — preguntas comunes
PoET— ¿Quién lo creó?
Fue publicado por OpenProtein.ai, basado en Singapore, una organización categorizada como industry.
PoET— ¿cuándo fue lanzado?
Se publicó en June 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.
PoET— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein generation, 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.
PoET— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.3 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100. 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.
PoET— ¿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.
PoET— ¿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.
PoET— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 57M. 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.