xTrimoPGLM -100B
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
- Tsinghua University,BioMap Research
- Type d'organisation
- Academia,Industry
- Pays
- China
- Publié
- 6 July 2023
- Auteurs
- Bo Chen, Xingyi Cheng, Yangli-ao Geng, Shen Li, Xin Zeng, Boyan Wang, Jing Gong, Chiming Liu, Aohan Zeng, Yuxiao Dong, Jie Tang, Le Song
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Proteins, Protein or nucleotide language model (pLM/nLM), Protein generation
- Approche
- Self-supervised learning
- Format numérique
- FP16
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
- 100B
- Données d'entraînement
- 275,000,000,000 tokens
- Taille de lot
- 2,097,152
Abstract: "training xTrimoPGLM at an unprecedented scale of 100 billion parameters and 1 trillion training tokens"
~24M protein sequences
"We employ batches of 2,048 sequences, each 1,024 tokens in length"
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
- 6.2 × 10²³ FLOP
- Comment cela a été établi
- Reported,Operation counting,Hardware
"xTrimoPGLM-100B is trained on a cluster of 96 DGX-A100 GPU (8×40G) servers in FP16 precision from January 18 to June 30, 2023. During this time, xTrimoPGLM-100B has consumed 1 trillion tokens from the dataset consisting of Uniref90 and ColAbFoldDB. As of the current date, xTrimoPGLM-100B continues its pre-training process to pass through as many tokens as possible" 6 * 100 billion params * 1T tokens = 6e23 8*96 * 312 trillion * 163 days * 24 * 3600 * 0.3 ~= 1e24 directly given in the paper (…
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 A100 SXM4 40 GB
- Chips utilisés
- 768
- Heures de puce
- 3,004,416
- Temps en temps réel
- 3,912 hours (163 days)
- Consommation d'énergie
- 611.2 kW
- Coût de calcul
- $1,823,415
163 days
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
- Unreleased
- Code d'entraînement
- Unreleased
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.
- Probablement au-dessus de 10²³ FLOP
- Yes
- Pourquoi c'est suivi
- SOTA improvement,Training cost
- Confiance d'enregistrement
- Confident
- Citations
- 135
"Our extensive experiments reveal that xTrimoPGLM significantly outperforms other advanced baselines in diverse protein understanding tasks (13 out of 15 tasks across four categories)" "we propose xT-Fold, where building on the xTrimoPLGM-100B framework, marks a significant advancement by achieving SOTA results for the PLM-based structure prediction model on benchmarks such as CAMEO and the latest CASP15" (!) SOTA among PLM-based models
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering the Language of Protein
- Dernière mise à jour
- 1 December 2025
Ce que les chiffres signifient
Ce que ce modèle est
xTrimoPGLM -100B a été publié par Tsinghua University,BioMap Research, dans le pays enregistré comme China, durant July 2023. La catégorie à laquelle appartient l'éditeur est academia,Industry.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de proteins, Protein or nucleotide language model (pLM/nLM), Protein generation.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 6.2 × 10²³ FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 40 GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 275,000,000,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. sOTA improvement,Training cost.
Réponses
xTrimoPGLM -100B — questions courantes
xTrimoPGLM -100B— qui l'a créé ?
Il a été publié par Tsinghua University,BioMap Research, basé sur China, une organisation catégorisée comme academia,Industry.
xTrimoPGLM -100B— quand a-t-il été publié ?
Il a été publié dans July 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.
xTrimoPGLM -100B— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de proteins, Protein or nucleotide language model (pLM/nLM), 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.
xTrimoPGLM -100B— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 6.2 × 10²³ FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 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.
xTrimoPGLM -100B— 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.
xTrimoPGLM -100B— 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.
xTrimoPGLM -100B— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 100B. Abstract: "training xTrimoPGLM at an unprecedented scale of 100 billion parameters and 1 trillion training tokens". 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.