ProSST
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
- Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology
- Type d'organisation
- Academia,Academia,Academia
- Pays
- China
- Publié
- 17 May 2024
- Auteurs
- Mingchen Li, Pan Tan, Xinzhu Ma, Bozitao Zhong, Huiqun Yu, Ziyi Zhou, Wanli Ouyang, Bingxin Zhou, Liang Hong, Yang Tan
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 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
- 110M
- Données d'entraînement
- tokens
Explicitly denoted in Table 2
18.8M structures × 300 residues per structure = 5.64B data points ≈ 5.6B data points
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.
- Calcul de formation
- 6.5 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
"All ProSST models is trained on a DGX-A800 GPU (8×80G) server in BF16 precision for about a month." 8*77970000000000*0.4*1month=646714368000000000000
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 A800 PCIe 40 GB
- Chips utilisés
- 8
- Temps en temps réel
- 720 hours (30 days)
- Consommation d'énergie
- 4.0 kW
"All ProSST models is trained [...] for about a month."
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
- Citations
- 57
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- ProSST: Protein Language Modeling with Quantized Structure and Disentangled Attention
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
Ce que ce modèle est
ProSST a été publié par Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology, dans le pays enregistré comme China, durant May 2024. L'organisation de publication est catégorisée comme academia,Academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein or nucleotide language model (pLM/nLM).
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 6.5 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA A800 PCIe 40 GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
ProSST — questions courantes
ProSST— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein or nucleotide language model (pLM/nLM). Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
ProSST— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 6.5 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA A800 PCIe 40 GB. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
ProSST— 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.
ProSST— 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.
ProSST— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 110M. Explicitly denoted in Table 2. 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.
ProSST— qui l'a créé ?
Il a été publié par Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology, basé sur China, une organisation catégorisée comme academia,Academia,Academia.
ProSST— quand a-t-il été publié ?
Il a été publié dans May 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.
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.