DiffPepBuilder
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
- Peking University
- Szervezet típusa
- Academia
- Ország
- China
- Közölt
- 30 April 2024
- Szerzők
- Fanhao Wang, Yuzhe Wang, Laiyi Feng, Changsheng Zhang, Luhua Lai
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein generation
- 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.
- Paraméterek
- 104M
- Képzési adatok
- 1,489,700 tokens
Step-by-step calculation: Complexes = 14,897 Average length = (8 + 30)/2 = 19 Total datapoints = 14,897 × 19 = 283,043 ≈ 2.83×10⁵
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
- 7.7 × 10²¹ FLOP
- Hogyan jött létre
- Hardware
1. Hardware: 8x NVIDIA A800 80GB GPUs (7.80e13 FLOP/s per GPU) 2. Training duration: 5 days = 432,000 seconds (directly provided) 3. Utilization: 40% 4. Calculation: 7.80e13 FLOP/s/GPU × 8 GPUs × 432,000s × 0.40 = 1.08e20 FLOP (7.80e13 × 8 = 6.24e14 FLOP/s total → × 432,000s = 2.70e20 → × 0.40 = 1.08e20) Base model: 7.560000000001e+21 Total: 7667785728001000000000
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A800 PCIe 40 GB
- Használt chipek
- 8
- Fali óra idő
- 120 hours
- Teljesítményfogyasztás
- 4.0 kW
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 27
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Target-Specific De Novo Peptide Binder Design with DiffPepBuilder
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Háttér
DiffPepBuilder ki lett adva által Peking University, az országban rögzítve mint China, alatt April 2024. A kiadó kategóriája alá tartozik academia.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein generation.
Ez alapoz. ESM2-650M. Ezért osztja a bázismodell általános formáját és méretét.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Mi került a felépítésébe
A képzés futás körülbelül 7.7 × 10²¹ FLOP, hardveren rögzítve NVIDIA A800 PCIe 40 GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 1,489,700 szöveg tokenjei
Válaszok
DiffPepBuilder — gyakori kérdések
DiffPepBuilder— Ki készítette ezt?
Kiadta Peking University, alapján China, egy szervezet, amelyet kategorizáltak mint academia.
DiffPepBuilder— Mikor adták ki?
Kibocsátották a April 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
DiffPepBuilder— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein generation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
DiffPepBuilder— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.7 × 10²¹ FLOP, hardveren rögzítve NVIDIA A800 PCIe 40 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.
DiffPepBuilder— 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.
DiffPepBuilder— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
DiffPepBuilder— Hány paramétere van?
Paraméterszáma 104M. 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..