Uni-Mol Molecular Model
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
- Renmin University of China,DP Technology,AI for Science Institute, Beijing (AISI)
- Tipo de Organización
- Academia,Industry,Government
- País
- China
- Publicado
- 6 March 2023
- Autores
- Gengmo Zhou, Zhifeng Gao, Qiankun Ding, Hang Zheng, Hongteng Xu, Zhewei Wei, Linfeng Zhang, Guolin Ke
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Molecular representation learning, Molecular property prediction, Protein-ligand contact prediction, Drug discovery
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
"a molecular model pretrained by 209M molecular conformations" Table 6: batch size 128 Max training steps 1M
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
- 5.4 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
31330000000000 FLOP / sec / GPU [fp16 asssumed] * 8 GPUs * 20 hours * 3600 sec / hour * 0.3 [assumed utilization] = 5.413824e+18 FLOP
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 Tesla V100 DGXS 32 GB
- Chips utilizados
- 8
- Tiempo de reloj
- 20 hours
- Consumo de energía
- 4.0 kW
"Molecular pretraining runs on 8 V100 GPUs (32GB memory, the same below), and the training time is about 20 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
- Open source
https://github.com/deepmodeling/Uni-Mol MIT license
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
- Uni-Mol: A Universal 3D Molecular Representation Learning Framework
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
Uni-Mol Molecular Model fue publicado por Renmin University of China,DP Technology,AI for Science Institute, Beijing (AISI), en el país registrado como China, durante March 2023. La organización editora está clasificada como academia,Industry,Government.
Funciona en el dominio de Biology, y se registra como realizando la tarea de molecular representation learning, Molecular property prediction, Protein-ligand contact prediction, Drug discovery.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 5.4 × 10¹⁸ FLOP, en hardware registrado como NVIDIA Tesla V100 DGXS 32 GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Uni-Mol Molecular Model — preguntas comunes
Uni-Mol Molecular Model— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de molecular representation learning, Molecular property prediction, Protein-ligand contact prediction, Drug discovery. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Uni-Mol Molecular Model— ¿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.
Uni-Mol Molecular Model— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.4 × 10¹⁸ FLOP, en hardware registrado como NVIDIA Tesla V100 DGXS 32 GB. 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.
Uni-Mol Molecular Model— ¿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.
Uni-Mol Molecular Model— ¿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.
Uni-Mol Molecular Model— ¿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.
Uni-Mol Molecular Model— ¿Quién lo creó?
Fue publicado por Renmin University of China,DP Technology,AI for Science Institute, Beijing (AISI), basado en China, una organización categorizada como academia,Industry,Government.
Uni-Mol Molecular Model— ¿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.
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.