trRosetta
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo están abiertos, pero no se ha publicado ninguna cantidad de parámetros para él. Cada cifra de memoria y velocidad comienza desde ese número, por lo que preferiríamos no mostrar nada en lugar de una estimación fabricada.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- Nankai University,University of Washington,Tianjin University,Harvard University
- Tipo de organización
- Academia,Academia,Academia,Academia
- País
- China, United States of America
- Publicado
- 22 August 2019
- Autores
- Jianyi Yanga, Ivan Anishchenko, Hahnbeom Parkb, Zhenling Peng, Sergey Ovchinnikov, David Baker
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 folding prediction
Tamaño
Qué tan grande es el modelo y cuántos datos se utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
- Épocas
- 100
"resulting in a set of 16,047 proteinchains with the average length of 250 amino acids " 16047*250 = 4011750 "Each trainingepoch runs through the whole training set, and 100 epochs are performed intotal."
Entrenamiento de computación
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 cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 3.8 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
32620000000000 FLOP / GPU / sec [Nvidia Titan RTX, FP16 assumed] * 1 GPU * 1080 hours [see training time notes] * 3600 sec / hour * 0.3 [assumed utilization] = 3.8047968e+19 FLOP
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA TITAN RTX
- Chips usados
- 1
- Wall-clock time
- 1,080 hours (45 days)
- Consumo de energía
- 316 W
"We train 5 networks with random 95/5%training/validation splits and use the average over the 5 networks as the finalprediction. Training a single network takes ∼9 d on one NVIDIA Titan RTX GPU" 9 days * 24 hours * 5 networks = 1080 hours
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página aplica.
- Pesos
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Open source
MIT license
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- SOTA improvement
- Registrar confianza
- Confident
"On benchmarktests on 13th Community-Wide Experiment on the Critical Assess-ment of Techniques for Protein Structure Prediction (CASP13)-and Continuous Automated Model Evaluation (CAMEO)-derivedsets, the method outperforms all previously described structure-prediction methods."
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Improved protein structure prediction using predictedinterresidue orientations
- Última actualización
- 28 November 2025
Qué significan los números
Background
trRosetta was published by Nankai University,University of Washington,Tianjin University,Harvard University, in China, in August 2019. It comes out of academia,Academia,Academia,Academia.
It works in Biology, and is recorded as doing protein folding prediction.
The weights are published, so it can be downloaded and run on your own hardware indefinitely, offline, with no account attached.
Training and provenance
Producing it required around 3.8 × 10¹⁹ FLOP of arithmetic, on NVIDIA TITAN RTX, which is a statement about the training budget rather than about inference.
Its inclusion criterion is sOTA improvement.
Respuestas
trRosetta — Preguntas frecuentes
Is trRosetta open source?
Its weights are published, so trRosetta can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does trRosetta have?
No parameter count has been published for trRosetta, which is why no memory or speed figure appears on this page.
Who created trRosetta?
trRosetta was published by Nankai University,University of Washington,Tianjin University,Harvard University, based in China, categorised as academia,Academia,Academia,Academia.
When was trRosetta released?
trRosetta was published in August 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is trRosetta used for?
trRosetta works in Biology, and is recorded as handling protein folding prediction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Where can I download trRosetta?
The weights for trRosetta are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train trRosetta?
Around 3.8 × 10¹⁹ FLOP, on NVIDIA TITAN RTX. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run trRosetta?
We cannot say. trRosetta has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.