PeTriBERT
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
- University of Montpellier,BionomeeX
- Tipo de Organización
- Academia,Industry
- País
- France
- Publicado
- 13 August 2022
- Autores
- Baldwin Dumortier, Antoine Liutkus, Clément Carré, Gabriel Krouk
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 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.
- parámetros
- 40M
- Datos de entrenamiento
- tokens
Training sequence data points = 290,000 proteins × 1,024 tokens/protein = 297,160,000 tokens (~2.97×10⁸)
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 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: 8x NVIDIA Tesla V100 SXM2 32GB GPUs (1.25 x 10^14 FLOP/s per GPU) 2. Training duration: 70 hours (directly provided) = 252,000 seconds 3. Utilization rate: 40% 4. Final calculation: 1.25 x 10^14 FLOP/s/GPU × 8 GPUs × 252,000 seconds × 0.4 = 1.0 x 10^20 FLOPs
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
- 70 hours
- Consumo de energía
- 4.0 kW
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
- 14
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- PeTriBERT : Augmenting BERT with tridimensional encoding for inverse protein folding and design
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
PeTriBERT fue publicado por University of Montpellier,BionomeeX, en el país registrado como France, durante August 2022. Sale de una organización categorizada como academia,Industry.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein generation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 1 × 10²⁰ 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
PeTriBERT — preguntas comunes
PeTriBERT— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1 × 10²⁰ 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.
PeTriBERT— ¿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.
PeTriBERT— ¿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.
PeTriBERT— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 40M. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
PeTriBERT— ¿Quién lo creó?
Fue publicado por University of Montpellier,BionomeeX, basado en France, una organización categorizada como academia,Industry.
PeTriBERT— ¿cuándo fue lanzado?
Se publicó en August 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.
PeTriBERT— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
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.