Protst
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
- Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,Intel Labs,HEC Montreal,CIFAR AI Research
- Tipo de Organización
- Academia,Academia,Industry,Academia,Research collective
- País
- Canada, United States of America
- Publicado
- 28 January 2023
- Autores
- Minghao Xu, Xinyu Yuan, Santiago Miret, Jian Tang
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)
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
Total Datapoints = (553,052 pairs × 450 residues/pair) + (553,052 pairs × 50 tokens/pair) = 248,873,400 + 27,652,600 = 276,526,000 (2.765e+8)
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
- 1.4 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: 4x NVIDIA Tesla V100 GPUs (1.30 x 10^14 FLOP/s per GPU) 2. Training duration: 69,131 seconds (≈19.2 hours) - estimated from 20 epochs, 553,052 samples, batch size 16, assuming 0.1s per step 3. Utilization rate: 40% 4. Final calculation: 1.30 x 10^14 FLOP/s × 4 GPUs × 69,131s × 0.4 = 1.44 x 10^19 FLOPs
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
- Likely
- Citas
- 124
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ProtST: Multi-Modality Learning of Protein Sequences and Biomedical Texts
- Última actualización
- 1 January 2026
Qué significan los números
Qué es este modelo
Protst fue publicado por Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,Intel Labs,HEC Montreal,CIFAR AI Research, en el país registrado como Canada, durante January 2023. La organización editora está clasificada como academia,Academia,Industry,Academia,Research collective.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein or nucleotide language model (pLM/nLM).
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 1.4 × 10¹⁹ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Protst — preguntas comunes
Protst— ¿cuándo fue lanzado?
Se publicó en January 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.
Protst— ¿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). Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Protst— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.4 × 10¹⁹ FLOP. 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.
Protst— ¿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.
Protst— ¿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.
Protst— ¿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.
Protst— ¿Quién lo creó?
Fue publicado por Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,Intel Labs,HEC Montreal,CIFAR AI Research, basado en Canada, una organización categorizada como academia,Academia,Industry,Academia,Research collective.
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.