ProteinSetTransformer
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 Wisconsin Madison
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 23 September 2024
- Auteurs
- Karthik Anantharaman, Cody Martin, Anthony Gitter
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.
- Données d'entraînement
- tokens
datapoints = 6,391,562 proteins * 1 pass = 6.391562e6 This was from training the viral Protein Set Transformer (vPST) model on a dataset of 103,589 viruses containing 6,391,562 proteins total, with each protein counting as one datapoint.
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
- 1.7 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: 1x NVIDIA A100 80GB (3.12 x 10^14 FLOP/s) 2. Training duration: - pst-large: 33.7 hours (directly provided) - pst-small: 3.15 hours (estimated based on parameter ratio 178M/5M) 3. Utilization rate: 40% 4. Calculation: pst-large: 3.12 x 10^14 × 121,320 × 0.40 = 1.51 x 10^19 FLOPs pst-small: 3.12 x 10^14 × 11,340 × 0.40 = 1.42 x 10^18 FLOPs Total: 1.65 x 10^19 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
- NVIDIA A100
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
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Protein Set Transformer: A protein-based genome language model to power high diversity viromics
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
ProteinSetTransformer a été publié par University of Wisconsin Madison, dans le pays enregistré comme United States of America, durant September 2024. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein or nucleotide language model (pLM/nLM).
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 nécessité un budget de calcul d'environ 1.7 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
ProteinSetTransformer — questions courantes
ProteinSetTransformer— 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.
ProteinSetTransformer— 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.
ProteinSetTransformer— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.7 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A100. 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.
ProteinSetTransformer— 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.
ProteinSetTransformer— 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.
ProteinSetTransformer— 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.
ProteinSetTransformer— qui l'a créé ?
Il a été publié par University of Wisconsin Madison, basé sur United States of America, une organisation catégorisée comme 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.