SaProt
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
- Zhejiang University (ZJU),Westlake University
- Szervezet típusa
- Academia,Academia
- Ország
- China
- Közölt
- 19 April 2024
- Szerzők
- Jin Su, Chenchen Han, Yuyang Zhou, Junjie Shan, Xibin Zhou, Fajie Yuan
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
- 650M
- Képzési adatok
- tokens
"To our knowledge, SaProt stands out as the PLM currently trained with the largest number of protein structures, containing 650 million parameters" Assume 40% utilization, FP16 tensor precision
4.0 × 10⁷ sequences × 3.0 × 10² tokens/sequence = 1.2 × 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
- 6.2 × 10²² FLOP
- Hogyan jött létre
- Hardware
"Its training lasted 3 months and utilized 64 NVIDIA 80G A100 GPUs," 64*312000000000000*0.4*3months=6.210847e+22
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
- 64
- Fali óra idő
- 2,160 hours (90 days)
- Teljesítményfogyasztás
- 50.6 kW
"Its training lasted 3 months "
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 229
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- SaProt: Protein Language Modeling with Structure-aware Vocabulary
- Utoljára frissítve
- 1 January 2026
Mit jelentenek a számok
Erről a modelről
SaProt ki lett adva által Zhejiang University (ZJU),Westlake University, az országban rögzítve mint China, alatt April 2024. A kiadó kategóriája alá tartozik academia,Academia.
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.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 6.2 × 10²² FLOP, hardveren rögzítve NVIDIA A100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
SaProt — gyakori kérdések
SaProt— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 6.2 × 10²² 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.
SaProt— 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.
SaProt— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
SaProt— Hány paramétere van?
Paraméterszáma 650M. "To our knowledge, SaProt stands out as the PLM currently trained with the largest number of protein structures, containing 650 million parameters" Assume 40% utilization, FP16 tensor precision. 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.
SaProt— Ki készítette ezt?
Kiadta Zhejiang University (ZJU),Westlake University, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia.
SaProt— 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.
SaProt— 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.
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..