pKALM
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
- 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
- Modelo base
- ESM2-35M
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
- 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
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.
- Cómo se estableció
- Operation counting
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 3090 Ti
- Chips utilizados
- 2
- Consumo de energía
- 1.8 kW
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
- Speculative
Fuentes
De dónde proviene este registro y cuándo fue comprobado 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 fue publicado por Hokkaido University, en el país registrado como Japan, durante September 2024. Sale de una organización categorizada como academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein property prediction.
Se basa en ESM2-35M. Por eso comparte la forma y el tamaño general del modelo base.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Respuestas
pKALM — preguntas comunes
pKALM— ¿Quién lo creó?
Fue publicado por Hokkaido University, basado en Japan, una organización categorizada como academia.
pKALM— ¿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.
pKALM— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein property prediction. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
pKALM— ¿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.
pKALM— ¿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.
pKALM— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 5.1M. Loaded checkpoint and counted parameters. 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.