DeepSA
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
- ShanghaiTech University
- Type d'organisation
- Academia
- Pays
- China
- Publié
- 2 November 2023
- Auteurs
- Shihang Wang, Lin Wang, Fenglei Li, Fang Bai
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Synthetic accessibility model
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
- 20
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
- 1 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: 1x NVIDIA GeForce RTX 3090 (1.60 × 10¹⁴ FLOP/s) 2. Training duration: Estimated based on dataset size and batch processing - 71,861,060 total samples (3,593,053 samples × 20 epochs) - 561,719 batches (batch size 128) - ~15.6 hours (56,172 seconds) 3. Utilization rate: 40% 4. Final calculation: 1.60 × 10¹⁴ FLOP/s × 1 GPU × 5.6 × 10⁴ s × 0.4 = 3.6 × 10¹⁸ FLOPs (Rounded to 1.0 × 10¹⁹ FLOPs)
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 3090
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
- Closed — provider access only
- Accès au modèle
- Hosted access (no API)
- Code d'entraînement
- Open (non-commercial)
https://github.com/Shihang-Wang-58/DeepSA
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
- Speculative
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- DeepSA: a deep-learning driven predictor of compound synthesis accessibility
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
DeepSA a été publié par ShanghaiTech University, dans le pays enregistré comme China, durant November 2023. Cela provient d'une organisation classée comme academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de synthetic accessibility model.
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 1 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA GeForce RTX 3090. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
DeepSA — questions courantes
DeepSA— quand a-t-il été publié ?
Il a été publié dans November 2023. 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.
DeepSA— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de synthetic accessibility model. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
DeepSA— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA GeForce RTX 3090. 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.
DeepSA— 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.
DeepSA— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
DeepSA— 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.
DeepSA— qui l'a créé ?
Il a été publié par ShanghaiTech University, basé sur China, une organisation catégorisée comme academia.
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.