MIF-ST
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
- Microsoft Research,OpenBioML,University of Chicago
- Tipo de Organización
- Industry,Research collective,Academia
- País
- United States of America, Multinational
- Publicado
- 26 October 2022
- Autores
- Kevin K Yang, Niccolò Zanichelli, Hugh Yeh
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Proteins, Protein generation
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
42M × 300 = 42,000,000 × 300 = 12,600,000,000 = 1.26e10 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
- 2.5 × 10²² FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: 200x NVIDIA V100 GPUs with 1.30×10^14 FLOP/s per GPU 2. Training duration: Estimated 4 weeks based on "multiple weeks" phrase (4 weeks × 7 days × 24 hours × 3600 seconds = 2,419,200 seconds) 3. Utilization rate: 40% 4. Calculation: 1.30×10^14 FLOP/s × 200 GPUs × 2.4192×10^6 seconds × 0.4 = 2.5×10^22 FLOP
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
- 113
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Masked inverse folding with sequence transfer for protein representation learning
- Última actualización
- 1 January 2026
Qué significan los números
Acerca de este modelo
MIF-ST fue publicado por Microsoft Research,OpenBioML,University of Chicago, en el país registrado como United States of America, durante October 2022. La categoría en la que se encuentra el editor es industry,Research collective,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de proteins, Protein generation.
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.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 2.5 × 10²² FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
MIF-ST — preguntas comunes
MIF-ST— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de proteins, Protein generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
MIF-ST— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.5 × 10²² 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.
MIF-ST— ¿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.
MIF-ST— ¿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.
MIF-ST— ¿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.
MIF-ST— ¿Quién lo creó?
Fue publicado por Microsoft Research,OpenBioML,University of Chicago, basado en United States of America, una organización categorizada como industry,Research collective,Academia.
MIF-ST— ¿cuándo fue lanzado?
Se publicó en October 2022. 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.