SS-pLM
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
- Nostrum Biodiscovery,Barcelona Supercomputing Center,Institucio Catalana de Recerca i Estudis Avancçats
- Type d'organisation
- Government,Research collective
- Pays
- Spain
- Publié
- 6 August 2023
- Auteurs
- Yaiza Serrano, Sergi Roda, Victor Guallar, Alexis Molina
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
- 14.8M
- Données d'entraînement
- tokens
From Table 3
Total Datapoints = 1.75 × 10⁶ sequences × 300 tokens/sequence = 5.25 × 10⁸ 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
- 2.3 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: 4x NVIDIA A30 GPUs (1.50×10¹⁴ FLOP/s per GPU in FP16) 2. Training duration: 1 day (86,400 seconds) - directly provided 3. Utilization rate: 40% 4. Calculation: 4 GPUs × 1.50×10¹⁴ FLOP/s × 86,400s × 0.40 = 2.07×10¹⁹ FLOPs 4*1.7e+14*0.4*86400s=2.3e+19
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 A30 PCIe
- Chips utilisés
- 4
- Temps en temps réel
- 24 hours
- Consommation d'énergie
- 1.3 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
- 5
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Efficient and accurate sequence generation with small-scale protein language models
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
SS-pLM a été publié par Nostrum Biodiscovery,Barcelona Supercomputing Center,Institucio Catalana de Recerca i Estudis Avancçats, dans le pays enregistré comme Spain, durant August 2023. L'organisation de publication est catégorisée comme government,Research collective.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein or nucleotide language model (pLM/nLM).
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Qu'est-ce qui a été nécessaire pour le construire
La production a nécessité des calculs totalisant environ 2.3 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A30 PCIe. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
SS-pLM — questions courantes
SS-pLM— qui l'a créé ?
Il a été publié par Nostrum Biodiscovery,Barcelona Supercomputing Center,Institucio Catalana de Recerca i Estudis Avancçats, basé sur Spain, une organisation catégorisée comme government,Research collective.
SS-pLM— quand a-t-il été publié ?
Il a été publié dans August 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.
SS-pLM— 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). Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
SS-pLM— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.3 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A30 PCIe. 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.
SS-pLM— 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.
SS-pLM— 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.
SS-pLM— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 14.8M. From Table 3. 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.