DiffPepBuilder
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
- 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 contenir 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 décide s'il convient à 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 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
- 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'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
- 120 hours
- Consommation d'énergie
- 4.0 kW
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
- 27
Sources
D'où vient 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 les chiffres signifient
Contexte
DiffPepBuilder a été publié par Peking University, dans le pays enregistré comme China, durant April 2024. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein generation.
Il s'appuie sur ESM2-650M. C'est pourquoi il partage la forme et la taille générales du modèle de base.
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.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 7.7 × 10²¹ 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.
Il a été entraîné sur un corpus d'environ 1,489,700 jetons de texte
Réponses
DiffPepBuilder — questions courantes
DiffPepBuilder— qui l'a créé ?
Il a été publié par Peking University, basé sur China, une organisation catégorisée comme academia.
DiffPepBuilder— quand a-t-il été publié ?
Il a été publié dans April 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.
DiffPepBuilder— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein generation. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
DiffPepBuilder— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 7.7 × 10²¹ 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.
DiffPepBuilder— 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.
DiffPepBuilder— 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.
DiffPepBuilder— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 104M. 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.
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.