ProtBFN
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
- InstaDeep
- Type d'organisation
- Industry
- Pays
- United Kingdom of Great Britain and Northern Ireland
- Publié
- 24 September 2024
- Auteurs
- Timothy Atkinson, Thomas D. Barrett, Scott Cameron, Bora Guloglu, Matthew Greenig, Louis Robinson, Alex Graves, Liviu Copoiu, Alexandre Laterre
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)
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
- 650M
- Données d'entraînement
- tokens
Total tokens = 71,000,000 sequences × 300 residues = 21,300,000,000 tokens (2.13×10¹⁰) Alternative calculation with 256 residues: 71,000,000 sequences × 256 residues = 18,176,000,000 tokens (1.82×10¹⁰) Final estimate: 2.1×10¹⁰ 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
- 3.9 × 10²² FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: - ProtBFN: 256 TPU v4 chips (2.75e14 FLOP/s per chip) - AbBFN: 128 TPU v4 chips (2.75e14 FLOP/s per chip) 2. Training duration: - ProtBFN: 14 days = 1,209,600 seconds - AbBFN: 4 days = 345,600 seconds 3. Utilization rate: 40% 4. Final calculation: - ProtBFN: 2.75e14 × 256 × 1,209,600 × 0.4 = 3.406e22 FLOPs - AbBFN: 2.75e14 × 128 × 345,600 × 0.4 = 4.866e21 FLOPs - Total: 3.406e22 + 4.866e21 = 3.9e22 FLOPs
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
- Google TPU v4
- Chips utilisés
- 256
- Temps en temps réel
- 432 hours (18 days)
- Consommation d'énergie
- 171.4 kW
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
- 16
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Protein Sequence Modelling with Bayesian Flow Networks
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
Contexte
ProtBFN a été publié par InstaDeep, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant September 2024. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein or nucleotide language model (pLM/nLM).
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Qu'est-ce qui a été nécessaire pour le construire
La production a nécessité des calculs totalisant environ 3.9 × 10²² FLOP, sur matériel enregistré comme Google TPU v4. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
ProtBFN — questions courantes
ProtBFN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 650M. 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.
ProtBFN— qui l'a créé ?
Il a été publié par InstaDeep, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme industry.
ProtBFN— quand a-t-il été publié ?
Il a été publié dans September 2024. 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.
ProtBFN— 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). 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.
ProtBFN— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.9 × 10²² FLOP, sur matériel enregistré comme Google TPU v4. 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.
ProtBFN— 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.
ProtBFN— 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.
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.