IDPFold
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
- Shandong University,BioMap Research,Fuzhou University,Shanghai Jiao Tong University
- Type d'organisation
- Academia,Industry,Academia,Academia
- Pays
- China
- Publié
- 13 September 2024
- Auteurs
- Junjie Zhu, Zhengxin Li, Zhuoqi Zheng, Bo Zhang, Bozitao Zhong, Jie Bai, Xiaokun Hong, Taifeng Wang, Ting Wei, Jianyi Yang, Hai-Feng Chen
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 folding prediction
- Modèle de base
- ESM2-650M
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
- 17.8M
- Données d'entraînement
- 30,928,500 tokens
Taken from Table 2
Initial Phase: 25,495 sequences × 200 residues = 5,099,000 points Second Phase: 3,880 sequences × 300 residues = 1,164,000 points Total: 5,099,000 + 1,164,000 = 6,263,000 points Rounded: 7.5 million data points
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
- 2.6 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: 1x NVIDIA A100 GPU with 3.12×10¹⁴ FLOP/s (fp16_tensor) 2. Training duration: Directly provided as 24 GPU days (9 days initial + 15 days second phase) = 2.0736×10⁶ seconds 3. Utilization rate: 40% 4. Final calculation: 3.12×10¹⁴ FLOP/s × 1 GPU × 2.0736×10⁶ s × 0.4 = 2.6×10²⁰ FLOP
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
- Likely
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Precise Generation of Conformational Ensembles for Intrinsically Disordered Proteins via Fine-tuned Diffusion Models
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
IDPFold a été publié par Shandong University,BioMap Research,Fuzhou University,Shanghai Jiao Tong University, dans le pays enregistré comme China, durant September 2024. La catégorie à laquelle appartient l'éditeur est academia,Industry,Academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein folding prediction.
Son point de départ était un modèle de base existant, ESM2-650M. La plupart des modèles à cette échelle sont adaptés d'une base existante plutôt que construits de rien.
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.
Comment il a été entraîné
L'entraînement a consommé environ 2.6 × 10²⁰ 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.
L'ensemble d'entraînement a duré environ 30,928,500 jetons de texte
Réponses
IDPFold — questions courantes
IDPFold— qui l'a créé ?
Il a été publié par Shandong University,BioMap Research,Fuzhou University,Shanghai Jiao Tong University, basé sur China, une organisation catégorisée comme academia,Industry,Academia,Academia.
IDPFold— 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.
IDPFold— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein folding prediction. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
IDPFold— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.6 × 10²⁰ 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.
IDPFold— 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.
IDPFold— 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.
IDPFold— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 17.8M. Taken from Table 2. 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.
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.