IgGM
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
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
- Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent
- Tipo de Organización
- Academia,Academia,Industry
- País
- China
- Publicado
- 22 September 2024
- Autores
- Rubo Wang, Fandi Wu, Xingyu Gao, Jiaxiang Wu, Peilin Zhao, Jianhua Yao
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.
- Datos de entrenamiento
- 15,506,880 tokens
Complexes: 6,448 + 1,907 = 8,355 Amino acids per complex: 450 + 350 + 300 = 1,100 Total amino acids: 8,355 * 1,100 = 9,190,500
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
- 8.6 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: 8x NVIDIA A100 SXM4 80GB GPUs, 3.12e14 FLOP/s per GPU 2. Training duration: Directly provided as 10 days = 864,000 seconds 3. Utilization rate: 40% 4. Final calculation: 3.12e14 FLOP/s × 864,000s × 0.4 × 8 GPUs = 8.6e20 FLOPs
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 A100
- Chips utilizados
- 8
- Tiempo de reloj
- 240 hours (10 days)
- Consumo de energía
- 6.3 kW
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
- Open — downloadable
- Acceso al modelo
- Open weights (non-commercial)
- Código de entrenamiento
- Unreleased
PolyForm Noncommercial License 1.0.0 https://github.com/TencentAI4S/IgGM?tab=readme-ov-file
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
- Likely
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- IgGM: A Generative Model for Functional Antibody and Nanobody Design
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
IgGM fue publicado por Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent, en el país registrado como China, durante September 2024. Sale de una organización categorizada como academia,Academia,Industry.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein design.
Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible.
Cómo fue entrenado
El entrenamiento consumió alrededor de 8.6 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 15,506,880 tokens de texto
Respuestas
IgGM — preguntas comunes
IgGM— ¿Quién lo creó?
Fue publicado por Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent, basado en China, una organización categorizada como academia,Academia,Industry.
IgGM— ¿cuándo fue lanzado?
Se publicó en September 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.
IgGM— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein design. 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.
IgGM— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
IgGM— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 8.6 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100. 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.
IgGM— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
IgGM— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
IgGM— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
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.