Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary
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
- Henan University
- Tipo de Organización
- Academia
- País
- China
- Publicado
- 23 March 2023
- Autores
- Wei Yang, Chun Liu, Zheng Li
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), Protein folding prediction
- Modelo base
- ProtT5-XL-U50
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
- 10,000,001 tokens
25,792 training chains × 400 residues = 10,316,800 tokens ≈ 1.0e7
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
- 1.9 × 10²² FLOP
- Cómo se estableció
- Hardware
- Computación de ajuste fino
- 6.1 × 10¹⁸ FLOP
1. Hardware setup: 1x NVIDIA GeForce RTX 3090 Ti (1.60 x 10^14 FP16 FLOP/s) 2. Training duration: Directly provided - 2,200 seconds/epoch × 43 epochs = 94,600 seconds 3. Utilization rate: 40% 4. Final calculation: 1.60 × 10^14 FLOP/s × 94,600 seconds × 0.4 = 6.05 × 10^18 FLOPs Base model: 18704498688000000000000 Total: 18704498688000000000000+6.05 × 10^18=18710548688000000000000
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 GeForce RTX 3090 Ti
- Chips utilizados
- 1
- Tiempo de reloj
- 27 hours
- Consumo de energía
- 493 W
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
- Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary Structure Prediction
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary fue publicado por Henan University, en el país registrado como China, durante March 2023. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein or nucleotide language model (pLM/nLM), Protein folding prediction.
Se basa en ProtT5-XL-U50. Esa es la forma habitual en que se produce un modelo especializado.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 1.9 × 10²² FLOP, en hardware registrado como NVIDIA GeForce RTX 3090 Ti. 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 10,000,001 tokens de texto
Respuestas
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary — preguntas comunes
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— ¿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.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— ¿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.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— ¿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.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— ¿Quién lo creó?
Fue publicado por Henan University, basado en China, una organización categorizada como academia.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— ¿cuándo fue lanzado?
Se publicó en March 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.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— ¿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), Protein folding prediction. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Lightweight Fine-tuning a Pretrained Protein Language Model for Protein Secondary— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.9 × 10²² FLOP, en hardware registrado como NVIDIA GeForce RTX 3090 Ti. 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.
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.