OmegaPLM
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
- Massachusetts Institute of Technology (MIT),Westlake University
- Type d'organisation
- Academia,Academia
- Pays
- United States of America, China
- Publié
- 22 July 2022
- Auteurs
- Ruidong Wu, Fan Ding, Rui Wang, Rui Shen, Xiwen Zhang, Shitong Luo, Chenpeng Su, Zuofan Wu, Qi Xie, Bonnie Berger, Jianzhu Ma, Jian Peng
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 folding prediction
- Format numérique
- TF32
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
- 670M
- Données d'entraînement
- 1,258,291,200,000 tokens
- Taille de lot
- 2,097,152
"Our model contains 66 layers with around 670 million parameters without sharing parameters, which doubles the layer count of ESM-1b but roughly retains the parameter count."
Number of sequences: 35 x 10^6 Sequence length: 512 Total data points: 35 x 10^6 x 512 = 1.792 x 10^10 tokens First stage crop size: 256 First stage data points: 35 x 10^6 x 256 = 8.96 x 10^9 tokens Additional structural data: ~110,000 sequences = 7.68 x 10^7 tokens Final estimate: 8.96 x 10^9 tokens
"[...] each batch contains 4,096 sequences and each sequence is padded or cropped to 512 residues" 4096 * 512 = 2097152
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
- 1 × 10²² FLOP
- Comment cela a été établi
- Hardware
"OmegaPLM is implemented in PyTorch (44) and trained for 2,560 GPU Nvidia A100 80G days." "Default precision format in Nvidia A100 GPUs is set to TensorFloat-32 for matrix operations." Assume 0.3 utilization for language model Estimate: (2560 * 24 * 3600) s * 156e12 FLOP/s * 0.3 * = 1.04e22
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 80 GB
- Heures de puce
- 61,440
- Coût de calcul
- $52,400
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.
- Pourquoi c'est suivi
- Historical significance
- Confiance d'enregistrement
- Confident
- Citations
- 445
"Here, we introduce OmegaFold, the first computational method to successfully predict high-resolution protein structure from a single primary sequence alone. Using a new combination of a protein language model that allows us to make predictions from single sequences and a geometry-inspired transformer model trained on protein structures, OmegaFold outperforms RoseTTAFold and achieves similar prediction accuracy to AlphaFold2 on recently released structures"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- High-resolution de novo structure prediction from primary sequence
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
À propos de ce modèle
OmegaPLM a été publié par Massachusetts Institute of Technology (MIT),Westlake University, dans le pays enregistré comme United States of America, durant July 2022. L'organisation de publication est catégorisée comme academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de proteins, Protein folding prediction.
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
La production a nécessité des calculs totalisant environ 1 × 10²² FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 80 GB. 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 1,258,291,200,000 jetons de texte
La raison pour laquelle il apparaît dans ce catalogue. historical significance.
Réponses
OmegaPLM — questions courantes
OmegaPLM— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1 × 10²² FLOP, sur matériel enregistré comme NVIDIA A100 SXM4 80 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.
OmegaPLM— 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.
OmegaPLM— 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.
OmegaPLM— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 670M. "Our model contains 66 layers with around 670 million parameters without sharing parameters, which doubles the layer count of ESM-1b but roughly retains the parameter count.". 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.
OmegaPLM— qui l'a créé ?
Il a été publié par Massachusetts Institute of Technology (MIT),Westlake University, basé sur United States of America, une organisation catégorisée comme academia,Academia.
OmegaPLM— quand a-t-il été publié ?
Il a été publié dans July 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.
OmegaPLM— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de proteins, Protein folding prediction. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
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.