ESMFlow
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
Ennek a modellnek a súlyai nyitottak, de egyetlen paraméterszám sem került nyilvánosságra. Minden memória- és sebességadat ebből a számából indul ki, így inkább nem mutatunk semmit, mint hogy egy megvezető becslést adjunk..
Felvételen
Teljes specifikáció
Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Massachusetts Institute of Technology (MIT)
- Szervezet típusa
- Academia
- Ország
- United States of America
- Kiadva
- 2 September 2024
- Szerzők
- Bowen Jing, Bonnie Berger, Tommi Jaakkola
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Biology
- Feladat
- Protein folding prediction
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Képzési adatok
- 552,960,000 tokens
ESMFLOW: 720K × 256 = 184,320,000 27K × 256 = 6,912,000 Total: 184,320,000 + 6,912,000 = 191,232,000
Képzés számítás
A modell betanításához végzett aritmetikai műveletek, amelyet lebegőpontos műveletekben mérnek. Ez a tréning futásának költségét méri, nem azt, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 7.6 × 10²⁰ FLOP
- Hogyan jött létre
- Reported
1. Hardware setup: 8x NVIDIA A100 GPUs, 3.12e+14 FLOP/s per GPU 2. Training duration: 371 hours (267h AlphaFLOW + 104h ESMFLOW) = 1,335,600 seconds 3. Utilization rate: 40% 4. Final calculation: 8 GPUs × 3.12e+14 FLOP/s × 1,335,600s × 0.4 = 1.34e+21 FLOPs ESMFlow training time, table 2 104+37+5+34+9+23=212 212hours*8*3.12e14*0.4=761978880000000000000
A képzési futam
A kiképzéshez fizikailag szükséges volt: milyen chipek, hány, meddig és mennyi áramot vett le a hálózatról.
- Képzési hardver
- NVIDIA A100
- Chips used
- 8
- Energiafogyasztás
- 6.3 kW
Elérhetőség
Hogy megszerezheted-e a modellt és futtathatod a saját hardvereden, ami eldönti, hogy a ezen az oldalon szereplő grafikus kártyák adatai alkalmazhatóak-e.
- Súlyok
- Open — downloadable
- Modell hozzáférés
- Open weights (unrestricted)
- Képzés kód
- Open source
MIT license https://github.com/bjing2016/alphaflow
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Rögzítési bizalom
- Confident
- Citations
- 237
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- AlphaFold Meets Flow Matching for Generating Protein Ensembles
- Utoljára frissítve
- 25 May 2026
Mit jelentek a számok
Where it came from
ESMFlow was published by Massachusetts Institute of Technology (MIT), in United States of America, in September 2024. academia is the category the publisher falls under.
It works in Biology, and is recorded as doing protein folding prediction.
A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi, hogy a lenti hardverkérdés egyáltalán megválaszolható legyen.
Mi került a megépítésébe
Producing it required around 7.6 × 10²⁰ FLOP of arithmetic, on NVIDIA A100, which is a statement about the training budget rather than about inference.
It was trained on about 552,960,000 tokens of text.
Válaszok
ESMFlow — Gyakran ismételt kérdések
What is ESMFlow used for?
ESMFlow works in Biology, and is recorded as handling protein folding prediction. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
Where can I download ESMFlow?
The weights for ESMFlow are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train ESMFlow?
Around 7.6 × 10²⁰ FLOP, on NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run ESMFlow?
We cannot say. ESMFlow has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is ESMFlow open source?
Its weights are published, so ESMFlow can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does ESMFlow have?
No parameter count has been published for ESMFlow, which is why no memory or speed figure appears on this page.
Who created ESMFlow?
ESMFlow was published by Massachusetts Institute of Technology (MIT), based in United States of America, categorised as academia.
When was ESMFlow released?
ESMFlow was published in September 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.