ProteinDT
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 California (UC) Berkeley,California Institute of Technology,University of Toronto,University of Wisconsin Madison,Texas A&M,NVIDIA,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms)
- Tipo de Organización
- Academia,Academia,Academia,Academia,Academia,Industry,Academia
- País
- United States of America, Canada
- Publicado
- 9 February 2023
- Autores
- Shengchao Liu, Yanjing Li, Zhuoxinran Li, Anthony Gitter, Yutao Zhu, Jiarui Lu, Zhao Xu, Weili Nie, Arvind Ramanathan, Chaowei Xiao, Jian Tang, Hongyu Guo, and Anima Anandkumar
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology, Language
- Tarea
- Proteins, Protein representation learning, Protein generation, Protein design
- Modelo base
- SciBERT
- Formato numérico
- FP16
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
- 132,303,900 tokens
Total amino acids: 197,000,000 residues Final calculation: 1.97 × 10⁸ datapoints Value = 197,000,000 = 1.97e8
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
MIT license https://github.com/chao1224/ProteinDT
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Likely
"Compared to six state-of-the-art protein sequence representation methods, ProteinDT can obtain consistently superior performance on four of six benchmark tasks."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- A Text-guided Protein Design Framework
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
ProteinDT fue publicado por University of California (UC) Berkeley,California Institute of Technology,University of Toronto,University of Wisconsin Madison,Texas A&M,NVIDIA,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), en el país registrado como United States of America, durante February 2023. La categoría en la que se encuentra el editor es academia,Academia,Academia,Academia,Academia,Industry,Academia.
Funciona en el dominio de Biology, Language, y se registra como realizando la tarea de proteins, Protein representation learning, Protein generation, Protein design.
En lugar de ser entrenado desde cero, se deriva de SciBERT. Esa es la forma habitual en que se produce un modelo especializado.
El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener.
Cómo fue entrenado
El conjunto de entrenamiento se ejecutó a aproximadamente 132,303,900 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
ProteinDT — preguntas comunes
ProteinDT— ¿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.
ProteinDT— ¿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.
ProteinDT— ¿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.
ProteinDT— ¿Quién lo creó?
Fue publicado por University of California (UC) Berkeley,California Institute of Technology,University of Toronto,University of Wisconsin Madison,Texas A&M,NVIDIA,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), basado en United States of America, una organización categorizada como academia,Academia,Academia,Academia,Academia,Industry,Academia.
ProteinDT— ¿cuándo fue lanzado?
Se publicó en February 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.
ProteinDT— ¿Para qué se utiliza?
Funciona en el dominio de Biology, Language, y se registra como manejando la tarea de proteins, Protein representation learning, Protein generation, Protein design. 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.
ProteinDT— ¿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.
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.