CPDiffusion
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- Shanghai Jiao Tong University,University of New South Wales,University of Cambridge,Shanghai AI Lab
- Type d'organisation
- Academia,Academia,Academia,Academia
- Pays
- China, Australia, United Kingdom of Great Britain and Northern Ireland
- Publié
- 10 September 2024
- Auteurs
- Bingxin Zhou, Lirong Zheng, Banghao Wu, Kai Yi, Bozitao Zhong, Yang Tan, Qian Liu, Pietro Liò, Liang Hong
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Protein design
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Paramètres
- 4M
- Données d'entraînement
- 6,207,900 tokens
CPDiffusion trains a denoising diffusion model with 4 million learnable parameters from natural protein structures.
CATH: 20,000 × 250 = 5,000,000 pAgo: 694 × 800 = 555,200 Total: 5,000,000 + 555,200 = 5,555,200 ≈ 5.6 × 10^6 datapoints
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
- Citations
- 1
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- A conditional protein diffusion model generates artificial programmable endonuclease sequences with enhanced activity
- Dernière mise à jour
- 28 November 2025
Ce que signifient les chiffres
À propos de ce modèle
CPDiffusion was published by Shanghai Jiao Tong University,University of New South Wales,University of Cambridge,Shanghai AI Lab, in China, in September 2024. It comes out of academia,Academia,Academia,Academia.
It works in Biology, and is recorded as doing protein design.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Entraînement et provenance
It was trained on about 6,207,900 tokens of text.
Réponses
CPDiffusion — Questions fréquentes
What is CPDiffusion used for?
CPDiffusion works in Biology, and is recorded as handling protein design. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
What GPU do I need to run CPDiffusion?
None. CPDiffusion 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 CPDiffusion open source?
The licensing for CPDiffusion was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does CPDiffusion have?
CPDiffusion has 4M parameters. CPDiffusion trains a denoising diffusion model with 4 million learnable parameters from natural protein structures. 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.
Who created CPDiffusion?
CPDiffusion was published by Shanghai Jiao Tong University,University of New South Wales,University of Cambridge,Shanghai AI Lab, based in China, categorised as academia,Academia,Academia,Academia.
When was CPDiffusion released?
CPDiffusion 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.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.