ConfRank
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 Bonn,Institute for Numerical Simulation,Fraunhofer Institute for Algorithms and Scientific Computing
- Tipo de Organización
- Academia,Academia
- País
- Germany
- Publicado
- 24 November 2024
- Autores
- Christian Hölzer, Rick Oerderm, Stefan Grimme, Jan Hamaekers,
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Drug discovery
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
- 150K
- Datos de entrenamiento
- 1,396,310 tokens
7,349 molecular ensembles × 20 conformers = 146,980 conformers Pairs per ensemble = (20 × 19) ÷ 2 = 190 pairs Total pairs = 7,349 ensembles × 190 pairs = 1,396,310 datapoints
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 GeForce RTX 3070
- Chips utilizados
- 1
- Consumo de energía
- 238 W
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
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ConfRank: Improving GFN-FF Conformer Ranking with Pairwise Training
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
ConfRank fue publicado por University of Bonn,Institute for Numerical Simulation,Fraunhofer Institute for Algorithms and Scientific Computing, en el país registrado como Germany, durante November 2024. Sale de una organización categorizada como academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de drug discovery.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Fue entrenado en un corpus de aproximadamente 1,396,310 tokens de texto
Respuestas
ConfRank — preguntas comunes
ConfRank— ¿Quién lo creó?
Fue publicado por University of Bonn,Institute for Numerical Simulation,Fraunhofer Institute for Algorithms and Scientific Computing, basado en Germany, una organización categorizada como academia,Academia.
ConfRank— ¿cuándo fue lanzado?
Se publicó en November 2024. 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.
ConfRank— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de drug discovery. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
ConfRank— ¿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.
ConfRank— ¿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.
ConfRank— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 150K. 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.
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.