ESMFlow
Nincs becslés
Nincs hardver követelmény ennek a modellnek
Ez a modell súlyai nyilvánosak, de a paraméterszámokat nem tették közzé. Minden memória- és sebességszám ebből a számból indul, ezért inkább nem mutatunk semmit, mint egy hamisított becslést..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített 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
- Közölt
- 2 September 2024
- Szerzők
- Bowen Jing, Bonnie Berger, Tommi Jaakkola
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein folding prediction
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- 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 tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, 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 tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A100
- Használt chipek
- 8
- Teljesítményfogyasztás
- 6.3 kW
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Open — downloadable
- Modell hozzáférés
- Open weights (unrestricted)
- Képzés kód
- Open source
MIT license https://github.com/bjing2016/alphaflow
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 237
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- AlphaFold Meets Flow Matching for Generating Protein Ensembles
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Honnan jött
ESMFlow ki lett adva által Massachusetts Institute of Technology (MIT), az országban rögzítve mint United States of America, alatt September 2024. A kiadó kategóriája alá tartozik academia.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein folding prediction.
A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását.
Mi került a felépítésébe
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 7.6 × 10²⁰ FLOP, hardveren rögzítve NVIDIA A100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 552,960,000 szöveg tokenjei
Válaszok
ESMFlow — gyakori kérdések
ESMFlow— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein folding prediction. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
ESMFlow— Hol tudom letölteni?
A súlyok közzététele megtörtént, bár nem rendelkezünk tárolólinkkel erre. Ez az oldal a hardverkövetelményeket számítja ki, nem pedig modellfájlokat tárol.
ESMFlow— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.6 × 10²⁰ FLOP, hardveren rögzítve NVIDIA A100. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
ESMFlow— Milyen GPU-ra van szükségem, hogy futtathassam?
Nem tudjuk megmondani. Nyílt súlyai vannak, de a paraméterek számát nem tették közzé, és minden memória- és sebességszámítás ebből a számból indul. Inkább nem mutatunk semmit, mint egy hamisított becslést.
ESMFlow— Nyílt forráskódú?
Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.
ESMFlow— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
ESMFlow— Ki készítette ezt?
Kiadta Massachusetts Institute of Technology (MIT), alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia.
ESMFlow— Mikor adták ki?
Kibocsátották a September 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..