FoldFlow2
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
- Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford
- Szervezet típusa
- Industry,Academia,Academia,Academia
- Ország
- Canada, United Kingdom of Great Britain and Northern Ireland
- Közölt
- 30 May 2024
- Szerzők
- Guillaume Huguet, James Vuckovic, Kilian Fatras, Eric Thibodeau-Laufer, Pablo Lemos, Riashat Islam, Cheng-Hao Liu, Jarrid Rector-Brooks, Tara Akhound-Sadegh, Michael Bronstein, Alexander Tong, Avishek Joey Bose
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein generation, Protein design
- Alapmodell
- ESM2-650M
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
- 48,000,000 tokens
Average protein length = (60 + 384) / 2 = 222 residues Total datapoints = 160,000 structures × 222 residues = 35,520,000
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 × 10²¹ FLOP
- Hogyan jött létre
- Hardware
1. Hardware setup: 2x NVIDIA A100 40GB GPUs (3.12 x 10^14 FLOP/s per GPU) 2. Training duration: 4 days (directly provided) = 345,600 seconds 3. Utilization rate: 40% 4. Calculation: 2 GPUs × 3.12×10^14 FLOP/s × 345,600s × 0.4 = 8.6×10^19 FLOPs Base model: 7.560000000001e+21 Total: 7646000000001000000000
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
- 2
- Fali óra idő
- 96 hours
- Teljesítményfogyasztás
- 1.6 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 (non-commercial)
- Képzés kód
- Open (non-commercial)
CC NC 4.0 https://github.com/DreamFold/FoldFlow weights https://github.com/DreamFold/FoldFlow/releases/tag/0.2.0
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 49
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Mit jelent ez a modell
FoldFlow2 ki lett adva által Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, az országban rögzítve mint Canada, alatt May 2024. A kiadó kategóriája alá tartozik industry,Academia,Academia,Academia.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein generation, Protein design.
A kiindulópontja egy meglévő alapmodell volt, ESM2-650M. Ez a szokásos módja egy specializált modell előállításának.
Mivel a súlyai ki lettek adva, semmi sem függ attól, hogy egy szolgáltató elérhető marad-e - a tiéd, amint letöltötted.
Képzés és származás
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 7.6 × 10²¹ 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 48,000,000 szöveg tokenjei
Válaszok
FoldFlow2 — gyakori kérdések
FoldFlow2— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein generation, Protein design. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
FoldFlow2— Hol tudom letölteni?
A súlyok közzététele megtörtént, bár nem rendelkezünk tárolólinkkel erre. Ez az oldal a hardverkövetelményeket számítja ki, nem pedig modellfájlokat tárol.
FoldFlow2— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.6 × 10²¹ 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.
FoldFlow2— 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.
FoldFlow2— 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.
FoldFlow2— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
FoldFlow2— Ki készítette ezt?
Kiadta Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, alapján Canada, egy szervezet, amelyet kategorizáltak mint industry,Academia,Academia,Academia.
FoldFlow2— Mikor adták ki?
Kibocsátották a May 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..