Eve
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
- Harvard Medical School,University of Oxford
- Tipo de Organización
- Academia,Academia
- País
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Publicado
- 27 October 2021
- Autores
- Jonathan Frazer, Pascal Notin, Mafalda Dias, Aidan Gomez, Joseph K. Min, Kelly Brock, Yarin Gal and Debora S. Marks
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 pathogenicity prediction, Proteins
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
- 15M
- Datos de entrenamiento
- 24,167,054,120 tokens
"The Bayesian VAE architecture in EVE is comprised of a symmetric 3-layer encoder & decoder architecture (with 2,000-1,000-300 and 300-1,000-2,000 units respectively) and a latent space of dimension 50 [...] We use a single set of parameters for the encoder (ϕp) and learn a fully-factorized gaussian distribution over the weights of the decoder (θp)" They train a new VAE for each protein, and it doesn't seem like they trim the input sequence length, so the largest model will be the one trained fo…
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
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Open source
The model code is available at https://github.com/OATML-Markslab/EVE MIT license
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
- Citas
- 631
"Our model EVE (evolutionary model of variant effect) not only outperforms computational approaches that rely on labelled data but also performs on par with, if not better than, predictions from high-throughput experiments, which are increasingly used as evidence for variant classification" [Abstract] - SOTA improvement for very specific task
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Disease variant prediction with deep generative models of evolutionary data
- Última actualización
- 1 January 2026
Qué significan los números
De dónde vino
Eve fue publicado por Harvard Medical School,University of Oxford, en el país registrado como United States of America, durante October 2021. Sale de una organización categorizada como academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein pathogenicity prediction, Proteins.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
El conjunto de entrenamiento se ejecutó a aproximadamente 24,167,054,120 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
Eve — preguntas comunes
Eve— ¿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.
Eve— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Eve— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 15M. "The Bayesian VAE architecture in EVE is comprised of a symmetric 3-layer encoder & decoder architecture (with 2,000-1,000-300 and 300-1,000-2,000 units respectively) and a latent space of dimension 50 [...] We use a single set of parameters for the encoder (ϕp) and learn a fully-factorized gaussian distribution over the weights of the decoder (θp)" They train a new VAE for each protein, and it doesn't seem like they trim the input sequence length, so the largest model will be the one trained for the largest input protein. Supplementary materials 1 gives statistics for each protein; the longest is 5202, which would indicate a network of size 15,010,300. 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.
Eve— ¿Quién lo creó?
Fue publicado por Harvard Medical School,University of Oxford, basado en United States of America, una organización categorizada como academia,Academia.
Eve— ¿cuándo fue lanzado?
Se publicó en October 2021. 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.
Eve— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein pathogenicity prediction, Proteins. 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.