ProtBERT-UniRef
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
- Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology
- Tipo de Organización
- Academia,Industry,Academia,Industry,Government
- País
- Germany, United States of America, Korea (Republic of), China
- Publicado
- 4 May 2021
- Autores
- Ahmed Elnaggar, Michael Heinzinger, Christian Dallago, Ghalia Rehawi, Yu Wang, Llion Jones, Tom Gibbs, Tamas Feher, Christoph Angerer, Martin Steinegger, Debsindhu Bhowmik, Burkhard Rost
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 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.
- parámetros
- 420M
- Datos de entrenamiento
- tokens
Table 2
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
- 7.3 × 10²¹ FLOP
Table 2, two stages with different sequence lengths Stage 1: 300k steps, sequence length 512, batch size 15360 Stage 2: 100k steps, sequence length 2048, batch size 2560 6ND formula Stage 1: 6*300000*15360*512*420000000=5.9454259e+21 Stage 2: 6*100000*2560*2048*420000000=1.3212058e+21 Total: 7.2666317e+21
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
- Google TPU v3
- Chips utilizados
- 512
- Consumo de energía
- 466.5 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
- 5
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ProtTrans:Towards Cracking the Language of Life's Code Through Self-Supervised Learning
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
ProtBERT-UniRef fue publicado por Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, en el país registrado como Germany, durante May 2021. Sale de una organización categorizada como academia,Industry,Academia,Industry,Government.
Funciona en el dominio de Biology, y se registra como realizando la tarea de proteins, Protein or nucleotide language model (pLM/nLM).
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 entrenamiento consumió alrededor de 7.3 × 10²¹ FLOP, en hardware registrado como Google TPU v3. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
ProtBERT-UniRef — preguntas comunes
ProtBERT-UniRef— ¿cuándo fue lanzado?
Se publicó en May 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.
ProtBERT-UniRef— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de proteins, Protein or nucleotide language model (pLM/nLM). Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
ProtBERT-UniRef— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.3 × 10²¹ FLOP, en hardware registrado como Google TPU v3. 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.
ProtBERT-UniRef— ¿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.
ProtBERT-UniRef— ¿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.
ProtBERT-UniRef— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 420M. Table 2. 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.
ProtBERT-UniRef— ¿Quién lo creó?
Fue publicado por Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, basado en Germany, una organización categorizada como academia,Industry,Academia,Industry,Government.
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.