ProGen
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
- Salesforce Research,Stanford University
- Type d'organisation
- Industry,Academia
- Pays
- United States of America
- Publié
- 13 March 2020
- Auteurs
- Ali Madani, Bryan McCann, Nikhil Naik, Nitish Shirish Keskar, Namrata Anand, Raphael R. Eguchi, View ORCID ProfilePo-Ssu Huang, Richard Socher
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 generation, Proteins, Protein or nucleotide language model (pLM/nLM)
- Approche
- Self-supervised learning
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
- 1.2B
- Données d'entraînement
- tokens
- Époques
- 5
"We train a 1.2B-parameter language model, ProGen, on ∼280M protein sequences"
1,049B from Table 9 https://www.biorxiv.org/content/10.1101/2023.07.05.547496v1
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
- 3.7 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware,Third-party estimation
Our model was implemented in TensorFlow (Abadi et al., 2016) and trained with a global batch size of 64 distributed across 256 cores of a Cloud TPU v3 Pod for 1M iterations. Training took approximately two weeks using Adagrad (Duchi et al., 2011) 4.00E+12*256*60**2*24*14*0.3 = 3.7e20 7.6E+21 FLOPs from Table 9 https://www.biorxiv.org/content/10.1101/2023.07.05.547496v1
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
- Likely
- Citations
- 315
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- ProGen: Language Modeling for Protein Generation
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
Ce que ce modèle est
ProGen a été publié par Salesforce Research,Stanford University, dans le pays enregistré comme United States of America, durant March 2020. L'organisation de publication est catégorisée comme industry,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein generation, Proteins, Protein or nucleotide language model (pLM/nLM).
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.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 3.7 × 10²⁰ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
ProGen — questions courantes
ProGen— quand a-t-il été publié ?
Il a été publié dans March 2020. 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.
ProGen— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein generation, Proteins, Protein or nucleotide language model (pLM/nLM). 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.
ProGen— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.7 × 10²⁰ 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.
ProGen— 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.
ProGen— 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.
ProGen— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 1.2B. "We train a 1.2B-parameter language model, ProGen, on ∼280M protein sequences". 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.
ProGen— qui l'a créé ?
Il a été publié par Salesforce Research,Stanford University, basé sur United States of America, une organisation catégorisée comme industry,Academia.
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.