Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle sont open, mais aucun compte de paramètres n'a été publié pour celui-ci. Chaque chiffre de mémoire et de vitesse commence à partir de ce nombre, donc nous préférerions ne rien montrer plutôt qu'une estimation fabriquée..
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
- ETH Zurich,University of Zurich,ETH AI Center
- Type d'organisation
- Academia,Academia,Research collective
- Pays
- Switzerland
- Publié
- 19 August 2024
- Auteurs
- Heath Arthur-Loui, Amina Mollaysa, Michael Krauthammer
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Drug discovery
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.
- Données d'entraînement
- tokens
- Époques
- 500
QM9 Dataset: 113,885 molecules × 40 tokens = 4,555,400 tokens ZINC250k Dataset: 250,000 molecules × 120 tokens = 30,000,000 tokens Total: 4,555,400 + 30,000,000 = 34,555,400 tokens ≈ 3.5 × 10^7 tokens
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Comment cela a été établi
- Hardware
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA GeForce RTX 4090
- Chips utilisés
- 1
- Consommation d'énergie
- 487 W
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (non-commercial)
- Code d'entraînement
- Open (non-commercial)
no clear license https://github.com/HeathArhturLouis/Rethinking-Molecular-Design-Integrating-Latent-Variable-and-Autoregressive-Models-for-Enhanced-Goal
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
- Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation a été publié par ETH Zurich,University of Zurich,ETH AI Center, dans le pays enregistré comme Switzerland, durant August 2024. La catégorie à laquelle appartient l'éditeur est academia,Academia,Research collective.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de drug discovery.
Les poids étant ouverts, c'est ce qui place cette page dans le calculateur plutôt que seulement dans le catalogue : c'est un modèle que vous pouvez réellement tenir.
Réponses
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation — questions courantes
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— Quelle GPU ai-je besoin pour l'exécuter ?
Nous ne pouvons pas dire. Il a des poids ouverts, mais aucun compte de paramètres n'a été publié pour cela, et chaque calcul de mémoire et de vitesse part de ce nombre. Nous préférerions ne rien montrer plutôt qu'une estimation fabriquée.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— qui l'a créé ?
Il a été publié par ETH Zurich,University of Zurich,ETH AI Center, basé sur Switzerland, une organisation catégorisée comme academia,Academia,Research collective.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— quand a-t-il été publié ?
Il a été publié dans August 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.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de drug discovery. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— où puis-je le télécharger ?
Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.
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.