VespaG
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Technical University of Munich,Sorbonne University,Institute for Advanced Study,Université Paris Cité,Institut Universitaire de France (IUF)
- Type d'organisation
- Academia,Academia,Academia,Academia,Research collective
- Pays
- Germany, France, United States of America
- Publié
- 9 September 2024
- Auteurs
- Céline Marquet, Julius Schlensok, Marina Abakarova, Burkhard Rost, Elodie Laine
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Protein property prediction, Protein or nucleotide language model (pLM/nLM)
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 660K
- Données d'entraînement
- tokens
- Époques
- 200
Total datapoints = 39,000,000 39,000,000 = 3.9 x 10^7 Final data estimate: 3.9e7
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Expert-guided protein Language Models enable accurate and blazingly fast fitness prediction
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
VespaG a été publié par Technical University of Munich,Sorbonne University,Institute for Advanced Study,Université Paris Cité,Institut Universitaire de France (IUF), dans le pays enregistré comme Germany, durant September 2024. Cela provient d'une organisation classée comme academia,Academia,Academia,Academia,Research collective.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein property prediction, Protein or nucleotide language model (pLM/nLM).
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Réponses
VespaG — questions courantes
VespaG— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
VespaG— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
VespaG— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 660K. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
VespaG— qui l'a créé ?
Il a été publié par Technical University of Munich,Sorbonne University,Institute for Advanced Study,Université Paris Cité,Institut Universitaire de France (IUF), basé sur Germany, une organisation catégorisée comme academia,Academia,Academia,Academia,Research collective.
VespaG— quand a-t-il été publié ?
Il a été publié dans September 2024. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
VespaG— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein property prediction, Protein or nucleotide language model (pLM/nLM). Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.