Text2Protein
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 California San Diego,Brown University
- Type d'organisation
- Academia,Academia
- Pays
- United States of America
- Publié
- 13 September 2024
- Auteurs
- Ramtin Hosseini, Siyang Zhang, Pengtao Xie
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 design
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
Training set: 10,898 * 0.95 = 10,353 proteins Average residues per protein: 100 Total datapoints = 10,353 * 100 = 1,035,300 Range validation: Minimum (40 residues): 10,353 * 40 = 414,120 Maximum (256 residues): 10,353 * 256 = 2,648,768 Final estimate: ~1.0e6 datapoints
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
- 5.5 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: 1x NVIDIA RTX 3090 (1.60e14 FLOP/s FP16 tensor) 2. Training duration: 10 days provided directly (864,000 seconds) 3. Utilization rate: 40% 4. Calculation: 1.60e14 FLOP/s × 1 GPU × 864,000s × 0.4 = 5.5e19 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 GeForce RTX 3090
- Temps en temps réel
- 240 hours (10 days)
"We trained the diffusion model for approximately 500,000 iterations with a batch size of 248. The entire training process, conducted on an NVIDIA RTX 3090 GPU, took about 10 days to complete."
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
- Text2Protein: A Generative Model for Designated Protein Design on Given Description
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
Text2Protein a été publié par University of California San Diego,Brown University, dans le pays enregistré comme United States of America, durant September 2024. L'organisation de publication est catégorisée comme academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein design.
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.
Comment il a été entraîné
L'entraînement a nécessité un budget de calcul d'environ 5.5 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA GeForce RTX 3090. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
Text2Protein — questions courantes
Text2Protein— 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.
Text2Protein— 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.
Text2Protein— 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.
Text2Protein— qui l'a créé ?
Il a été publié par University of California San Diego,Brown University, basé sur United States of America, une organisation catégorisée comme academia,Academia.
Text2Protein— 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.
Text2Protein— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein design. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Text2Protein— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5.5 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA GeForce RTX 3090. 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.
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.