RoseTTAFold All-Atom (RFAA)
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
- University of Washington,Seoul National University,University of Sheffield
- Type d'organisation
- Academia,Academia,Academia
- Pays
- United States of America, Korea (Republic of), United Kingdom of Great Britain and Northern Ireland
- Publié
- 9 October 2023
- Auteurs
- Rohith Krishna, Jue Wang, Woody Ahern, Pascal Sturmfels, Preetham Venkatesh, Indrek Kalvet, Gyu Rie Lee, Felix S Morey-Burrows, Ivan Anishchenko, Ian R Humphreys, Ryan McHugh, Dionne Vafeados, Xinting Li, George A Sutherland, Andrew Hitchcock, C Neil Hunter, Minkyung Baek, Frank DiMaio, David Baker
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 folding prediction, Proteins
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
- 63,240,960 tokens
Datasets: 121,800 + 112,546 + 12,689 = 247,035 "All examples were cropped to have 256 tokens during the initial stages of training and 375 tokens during fine-tuning." 247035 * 256 =63,240,960 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.
- Calcul de formation
- 2.1 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
Supplementary material: "This took 8 days on 8 NVIDIA A6000 GPUs." 8 GPUS *3.87E+13 FLOPS/A6000 *60 * 60 * 24 * 8 days
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 RTX A6000
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 (unrestricted)
- Code d'entraînement
- Open source
MIT-like license. inference code + training hyperparams: https://github.com/baker-laboratory/RoseTTAFold-All-Atom?tab=License-1-ov-file#readme
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.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Generalized Biomolecular Modeling and Design with RoseTTAFold All-Atom
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Ce que ce modèle est
RoseTTAFold All-Atom (RFAA) a été publié par University of Washington,Seoul National University,University of Sheffield, dans le pays enregistré comme United States of America, durant October 2023. La catégorie à laquelle appartient l'éditeur est academia,Academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein folding prediction, Proteins.
Les poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel indéfiniment, hors ligne, sans compte associé.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 2.1 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA RTX A6000. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 63,240,960 jetons de texte
Son critère d'inclusion : sOTA improvement.
Réponses
RoseTTAFold All-Atom (RFAA) — questions courantes
RoseTTAFold All-Atom (RFAA)— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein folding prediction, Proteins. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
RoseTTAFold All-Atom (RFAA)— 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.
RoseTTAFold All-Atom (RFAA)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.1 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA RTX A6000. 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.
RoseTTAFold All-Atom (RFAA)— 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.
RoseTTAFold All-Atom (RFAA)— 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.
RoseTTAFold All-Atom (RFAA)— 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.
RoseTTAFold All-Atom (RFAA)— qui l'a créé ?
Il a été publié par University of Washington,Seoul National University,University of Sheffield, basé sur United States of America, une organisation catégorisée comme academia,Academia,Academia.
RoseTTAFold All-Atom (RFAA)— quand a-t-il été publié ?
Il a été publié dans October 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.
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.