GraSR
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
- Shanghai Jiao Tong University,Ministry of Education of China
- Tipo de Organización
- Academia,Government
- País
- China
- Publicado
- 24 March 2022
- Autores
- Chunqiu Xia, Shi-Hao Feng, Ying Xia, Xiaoyong Pan, Hong-Bin Shen
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 structure comparison
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
- 13,265 tokens
SCOPe v2.07 Dataset: Total PDB Entries: 87,224 Total Domains: 276,231 Training Set Size = Total Domains - Cross-Validation Domains Training Set Size = 276,231 - 13,265 = 262,966 domains
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
- 3.8 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: 2x TITAN Xp GPUs (1.10×10¹³ FLOP/s each) 2. Training duration: Estimated 5 days (432,000 seconds) based on "several days" mention -> "Likely" confidence 3. Utilization rate: 40% 4. Calculation: 2 GPUs × 1.10×10¹³ FLOP/s × 432,000s × 0.40 = 3.8×10¹⁸ 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 TITAN Xp
- Chips utilizados
- 2
- Tiempo de reloj
- 120 hours
- Consumo de energía
- 1.0 kW
"The whole GraSR model is trained on two TITAN Xp Graphics Cards, and the training procedure took several days." Estimated 5 days (432,000 seconds) based on "several days" mention
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 (non-commercial)
The data and source code can be found at https://github.com/chunqiux/GraSR (GPL-3.0 license). In addition, we also archive it on Zenodo (https://doi.org/10.5281/zenodo.5338957). "The GraSR parameters are made availabe under a Creative Commons Attribution 4.0 International 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
- Likely
- Citas
- 28
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Fast protein structure comparison through effective representation learning with contrastive graph neural networks
- Última actualización
- 1 January 2026
Qué significan los números
De dónde vino
GraSR fue publicado por Shanghai Jiao Tong University,Ministry of Education of China, en el país registrado como China, durante March 2022. La categoría en la que se encuentra el editor es academia,Government.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein structure comparison.
Los PESOS están publicados, por lo que se puede descargar y ejecutar en su propio HARDWARE indefinidamente, SIN CONEXIÓN, sin cuenta adjunta.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 3.8 × 10¹⁸ FLOP, en hardware registrado como NVIDIA TITAN Xp. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 13,265 tokens de texto
Respuestas
GraSR — preguntas comunes
GraSR— ¿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.
GraSR— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.8 × 10¹⁸ FLOP, en hardware registrado como NVIDIA TITAN Xp. 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.
GraSR— ¿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.
GraSR— ¿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.
GraSR— ¿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.
GraSR— ¿Quién lo creó?
Fue publicado por Shanghai Jiao Tong University,Ministry of Education of China, basado en China, una organización categorizada como academia,Government.
GraSR— ¿cuándo fue lanzado?
Se publicó en March 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.
GraSR— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein structure comparison. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
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.