CaLM
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
- University of Oxford
- Type d'organisation
- Academia
- Pays
- United Kingdom of Great Britain and Northern Ireland
- Publié
- 19 December 2022
- Auteurs
- Carlos Outeiral, Charlotte M. Deane
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), Protein embedding, Protein property prediction, Protein localization prediction
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
- 86M
- Données d'entraînement
- 2,523,746,560 tokens
- Époques
- 14
"We trained a large language model with 86M parameters"
"a dataset of 9M non-redundant and diverse cDNA sequences identified from whole-genome sequencing" "Gradients were accumulated to an effective batch size of 1,000 examples, or approximately 256,000 tokens. " 9000000*256000/1000=2304000000 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
- 2.9 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware,Operation counting
"4 NVIDIA Quadro RTX4000 GPUs for 40 days" Calculation assuming FP32, utilization 30%: = (40 * 24 * 3600) s * 7.1e12 FLOP/s * 0.3 * 4 GPU = 2.999808e+19 alternative calculation: "Gradients were accumulated to an effective batch size of 1,000 examples, or approximately 256,000 tokens. " "(66,000 gradient steps, 14 full epochs)" 256000*66000*14*86000000*6=1.220567e+20
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 Quadro RTX 4000
- Chips utilisés
- 4
- Heures de puce
- 3,840
- Temps en temps réel
- 960 hours (40 days)
- Consommation d'énergie
- 1.3 kW
"The model reported in this work was trained on 4 NVIDIA Quadro RTX4000 GPUs for 40 days (66,000 gradient steps, 14 full epochs)"
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
- Open source
BSD-3-Clause license https://github.com/oxpig/CaLM
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
- Likely
- Citations
- 34
not absolute SOTA, SOTA among similar size models "We show that large language models trained on codons, instead of amino acid sequences, provide high-quality representations that outperform comparable state-of-the-art models across a variety of tasks. In some tasks, like species recognition, prediction of protein and transcript abundance, or melting point estimation, we show that a language model trained on codons outperforms every other published protein language model, including some that co…
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Codon language embeddings provide strong signals for protein engineering
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
Ce que ce modèle est
CaLM a été publié par University of Oxford, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant December 2022. Cela provient d'une organisation classée comme academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein or nucleotide language model (pLM/nLM), Protein embedding, Protein property prediction, Protein localization prediction.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Comment il a été entraîné
L'entraînement a consommé environ 2.9 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA Quadro RTX 4000. 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 2,523,746,560 jetons de texte
Son critère d'inclusion : sOTA improvement.
Réponses
CaLM — questions courantes
CaLM— qui l'a créé ?
Il a été publié par University of Oxford, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme academia.
CaLM— quand a-t-il été publié ?
Il a été publié dans December 2022. 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.
CaLM— 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), Protein embedding, Protein property prediction, Protein localization prediction. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
CaLM— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.9 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA Quadro RTX 4000. 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.
CaLM— 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.
CaLM— 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.
CaLM— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 86M. "We trained a large language model with 86M parameters". 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.