Pro-PRIME
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
- Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology,Shanghai Tech University,Guangzhou Inernational Bio Island,Chinese Academy of Sciences,Shanghai Academy of Experimental Medicine
- Tipo de Organización
- Academia,Academia,Academia,Academia,Academia
- País
- China
- Publicado
- 28 October 2024
- Autores
- Fan Jiang, Mingchen Li, Jiajun Dong, Yuanxi Yu, Xinyu Sun, Banghao Wu, Jin Huang, Liqi Kang, Yufeng Pei, Liang Zhang, Shaojie Wang, Wenxue Xu, Jingyao Xin, Wanli Ouyang, Guisheng Fan, Lirong Zheng, Yang Tan, Zhiqiang Hu, Yi Xiong, Yan Feng, Guangyu Yang, Qian Liu, Jie Song, Jia Liu, Liang Hong, Pan Tan
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 design
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
- 650M
- Datos de entrenamiento
- tokens
- Épocas
- 7
96,000,000 sequences × 300 residues/sequence = 28,800,000,000 tokens (2.88 × 10¹⁰)
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
- 8.2 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
Tokens per step; 4096*8*32=1048576 Total training tokens 1048576*200000=209715200000 Epochs: 209715200000 / 28800000001 = 7.28 FLOP: 6*650000000*209715200000=8.1788928e+20
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
- 1
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Pro-PRIME: A general Temperature-Guided Language model to engineer enhanced Stability and Activity in Proteins
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Pro-PRIME fue publicado por Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology,Shanghai Tech University,Guangzhou Inernational Bio Island,Chinese Academy of Sciences,Shanghai Academy of Experimental Medicine, en el país registrado como China, durante October 2024. Sale de una organización categorizada como academia,Academia,Academia,Academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein design.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
El entrenamiento consumió alrededor de 8.2 × 10²⁰ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Pro-PRIME — preguntas comunes
Pro-PRIME— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 8.2 × 10²⁰ FLOP. 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.
Pro-PRIME— ¿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.
Pro-PRIME— ¿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.
Pro-PRIME— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 650M. 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.
Pro-PRIME— ¿Quién lo creó?
Fue publicado por Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology,Shanghai Tech University,Guangzhou Inernational Bio Island,Chinese Academy of Sciences,Shanghai Academy of Experimental Medicine, basado en China, una organización categorizada como academia,Academia,Academia,Academia,Academia.
Pro-PRIME— ¿cuándo fue lanzado?
Se publicó en October 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.
Pro-PRIME— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein design. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
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.