pKALM
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
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
- Hokkaido University
- Tipo de organización
- Academia
- País
- Japan
- Publicado
- 19 September 2024
- Autores
- Shijie Xu, Akira Onoda
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 property prediction
- Base model
- ESM2-35M
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.
- Parámetros
- 5.1M
- Datos de entrenamiento
- tokens
- Épocas
- 130
Loaded checkpoint and counted parameters.
Two datasets were used: "The revised data set now includes 1,450 pKa values for 165 wild-type proteins and 262 pKa values for 47 mutant proteins." "These data sets, derived from references containing experimen- tal pI values, comprise 119,092 peptide pI values and 2,324 protein pI values." Total assuming avg 300 tokens per example: (1450+165+262+47+119092+2324)*300=37002000
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.
- Cómo se estableció
- Operation counting
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 GeForce RTX 3090 Ti
- Chips usados
- 2
- Consumo de energía
- 1.8 kW
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Registrar confianza
- Speculative
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Accurate and Rapid Prediction of Protein pKa: Protein Language Models Reveal the Sequence-pKa Relationship
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
pKALM was published by Hokkaido University, in Japan, in September 2024. It comes out of academia.
It works in Biology, and is recorded as doing protein property prediction.
It builds on ESM2-35M, which is why it shares that model's general shape and size.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Respuestas
pKALM — Preguntas frecuentes
Who created pKALM?
pKALM was published by Hokkaido University, based in Japan, categorised as academia.
When was pKALM released?
pKALM was published in September 2024. 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 pKALM used for?
pKALM works in Biology, and is recorded as handling protein property prediction. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run pKALM?
None. pKALM is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is pKALM open source?
The licensing for pKALM was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
¿Cuántos parámetros tiene pKALM?
pKALM has 5.1M parameters. Loaded checkpoint and counted parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
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.