GeoSeqBuilder
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
- Peking University
- Tipo de Organización
- Academia
- País
- China
- Publicado
- 19 September 2024
- Autores
- Jiale Liu, Zheng Guo, Hantian You, Changsheng Zhang, Luhua Lai
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, Protein generation
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
- 35,250,000 tokens
Training datapoints = Training proteins × Average residues per protein 23,500 × 200 = 4,700,000 datapoints Final estimate: 4.7 million datapoints
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
- 6.5 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
1. Hardware: 1x NVIDIA A30 GPU (1.50×10¹⁴ FLOP/s using fp16 tensor cores) 2. Training duration: Directly provided - 15 epochs × 2 hours/epoch = 30 hours = 108,000 seconds 3. Utilization rate: 40% 4. Calculation: 1.50×10¹⁴ FLOP/s × 1 GPU × 108,000s × 0.40 = 6.48×10¹⁸ FLOP
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 A30 PCIe
- Chips utilizados
- 1
- Tiempo de reloj
- 30 hours
- Consumo de energía
- 179 W
Training duration: Directly provided - 15 epochs × 2 hours/epoch = 30 hours = 108,000 seconds
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
no clear license https://github.com/PKUliujl/GeoSeqBuilder
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
- All-Atom Protein Sequence Design Based on Geometric Deep Learning
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
GeoSeqBuilder fue publicado por Peking University, en el país registrado como China, durante September 2024. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein design, Protein generation.
El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 6.5 × 10¹⁸ FLOP, en hardware registrado como NVIDIA A30 PCIe. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 35,250,000 tokens de texto
Respuestas
GeoSeqBuilder — preguntas comunes
GeoSeqBuilder— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.5 × 10¹⁸ FLOP, en hardware registrado como NVIDIA A30 PCIe. 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.
GeoSeqBuilder— ¿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.
GeoSeqBuilder— ¿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.
GeoSeqBuilder— ¿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.
GeoSeqBuilder— ¿Quién lo creó?
Fue publicado por Peking University, basado en China, una organización categorizada como academia.
GeoSeqBuilder— ¿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.
GeoSeqBuilder— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein design, Protein generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
GeoSeqBuilder— ¿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.
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.