DiffPepBuilder
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
- Peking University
- Type d'organisation
- Academia
- Pays
- China
- Publié
- 30 April 2024
- Auteurs
- Fanhao Wang, Yuzhe Wang, Laiyi Feng, Changsheng Zhang, Luhua Lai
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 generation
- Modèle de base
- ESM2-650M
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
- 104M
- Données d'entraînement
- 1,489,700 tokens
Step-by-step calculation: Complexes = 14,897 Average length = (8 + 30)/2 = 19 Total datapoints = 14,897 × 19 = 283,043 ≈ 2.83×10⁵
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations à virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, et non de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 7.7 × 10²¹ FLOP
- Comment cela a été établi
- Hardware
1. Hardware: 8x NVIDIA A800 80GB GPUs (7.80e13 FLOP/s per GPU) 2. Training duration: 5 days = 432,000 seconds (directly provided) 3. Utilization: 40% 4. Calculation: 7.80e13 FLOP/s/GPU × 8 GPUs × 432,000s × 0.40 = 1.08e20 FLOP (7.80e13 × 8 = 6.24e14 FLOP/s total → × 432,000s = 2.70e20 → × 0.40 = 1.08e20) Base model: 7.560000000001e+21 Total: 7667785728001000000000
L'entraînement
Ce qu'il a physiquement fallu pour entraîner : quels puces, combien, pendant combien de temps, et ce que cela a tiré du mur.
- Matériel d'entraînement
- NVIDIA A800 PCIe 40 GB
- Chips utilisés
- 8
- Wall-clock time
- 120 hours
- Consommation d'énergie
- 4.0 kW
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
- 27
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Target-Specific De Novo Peptide Binder Design with DiffPepBuilder
- Dernière mise à jour
- 25 May 2026
Ce que signifient les chiffres
Background
DiffPepBuilder was published by Peking University, in China, in April 2024. academia is the category the publisher falls under.
It works in Biology, and is recorded as doing protein generation.
It builds on ESM2-650M, which is why it shares that model's general shape and size.
Ses poids n'ont jamais été publiés, donc on ne peut y accéder que par son fournisseur. Aucun changement de carte graphique ne change cela.
Ce qui a contribué à sa construction
The training run consumed about 7.7 × 10²¹ FLOP, on NVIDIA A800 PCIe 40 GB. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
It was trained on about 1,489,700 tokens of text.
Réponses
DiffPepBuilder — Questions fréquentes
Who created DiffPepBuilder?
DiffPepBuilder was published by Peking University, based in China, categorised as academia.
When was DiffPepBuilder released?
DiffPepBuilder was published in April 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.
What is DiffPepBuilder used for?
DiffPepBuilder works in Biology, and is recorded as handling protein generation. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train DiffPepBuilder?
Around 7.7 × 10²¹ FLOP, on NVIDIA A800 PCIe 40 GB. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DiffPepBuilder?
None. DiffPepBuilder 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 DiffPepBuilder open source?
The licensing for DiffPepBuilder 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 DiffPepBuilder have?
DiffPepBuilder has 104M parameters. 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.
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.