MIF-ST
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
- Microsoft Research,OpenBioML,University of Chicago
- Type d'organisation
- Industry,Research collective,Academia
- Pays
- United States of America, Multinational
- Publié
- 26 October 2022
- Auteurs
- Kevin K Yang, Niccolò Zanichelli, Hugh Yeh
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 generation
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
42M × 300 = 42,000,000 × 300 = 12,600,000,000 = 1.26e10 datapoints
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
- 2.5 × 10²² FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: 200x NVIDIA V100 GPUs with 1.30×10^14 FLOP/s per GPU 2. Training duration: Estimated 4 weeks based on "multiple weeks" phrase (4 weeks × 7 days × 24 hours × 3600 seconds = 2,419,200 seconds) 3. Utilization rate: 40% 4. Calculation: 1.30×10^14 FLOP/s × 200 GPUs × 2.4192×10^6 seconds × 0.4 = 2.5×10^22 FLOP
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
- 113
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Masked inverse folding with sequence transfer for protein representation learning
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
À propos de ce modèle
MIF-ST a été publié par Microsoft Research,OpenBioML,University of Chicago, dans le pays enregistré comme United States of America, durant October 2022. La catégorie à laquelle appartient l'éditeur est industry,Research collective,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de proteins, Protein generation.
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.
Entraînement et provenance
L'entraînement a consommé environ 2.5 × 10²² FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
MIF-ST — questions courantes
MIF-ST— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de proteins, Protein generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
MIF-ST— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.5 × 10²² FLOP. 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.
MIF-ST— 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.
MIF-ST— 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.
MIF-ST— 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.
MIF-ST— qui l'a créé ?
Il a été publié par Microsoft Research,OpenBioML,University of Chicago, basé sur United States of America, une organisation catégorisée comme industry,Research collective,Academia.
MIF-ST— quand a-t-il été publié ?
Il a été publié dans October 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.
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.