LBSTER
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
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
- Prescient Design,Genentech
- Szervezet típusa
- Industry,Industry
- Ország
- United States of America
- Közölt
- 15 May 2024
- Szerzők
- Nathan C. Frey, Taylor Joren, Aya Abdelsalam Ismail, Allen Goodman, Richard Bonneau, Kyunghyun Cho, Vladimir Gligorijević
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein or nucleotide language model (pLM/nLM)
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 67M
- Képzési adatok
- 3,375,000,000 tokens
- Epochok
- 4.06
"we are able to train a 67 million parameter model"
UniRef50 dataset size calculation: 43,000,000 sequences × 300 tokens/sequence = 1.29 × 10¹⁰ tokens Training process calculation: 1,048,576 tokens/step × 50,000 steps = 5.24288 × 10¹⁰ total tokens Epochs calculation: 5.24288 × 10¹⁰ / 1.29 × 10¹⁰ = 4.06 epochs Final unique tokens (first epoch only): 1.3 × 10¹⁰ tokens
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
- 1.1 × 10¹⁹ FLOP
- Hogyan jött létre
- Hardware
1 day on 1 A100 312000000000000*1day*0.4=10782720000000000000
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A100 SXM4 80 GB
- Használt chipek
- 1
- Fali óra idő
- 24 hours
- Teljesítményfogyasztás
- 434 W
"we are able to train a 67 million parameter model in a single day
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 4
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Cramming Protein Language Model Training in 24 GPU Hours
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Mit jelent ez a modell
LBSTER ki lett adva által Prescient Design,Genentech, az országban rögzítve mint United States of America, alatt May 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry,Industry.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein or nucleotide language model (pLM/nLM).
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Hogyan lett betanítva
A betanításhoz körülbelül egy számítási költségvetés kellett 1.1 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA A100 SXM4 80 GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 3,375,000,000 szöveg tokenjei
Válaszok
LBSTER — gyakori kérdések
LBSTER— Ki készítette ezt?
Kiadta Prescient Design,Genentech, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Industry.
LBSTER— 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.
LBSTER— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein or nucleotide language model (pLM/nLM). Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
LBSTER— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.1 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA A100 SXM4 80 GB. 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.
LBSTER— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
LBSTER— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
LBSTER— Hány paramétere van?
Paraméterszáma 67M. "we are able to train a 67 million parameter model". Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
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..