ESM-AA
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,Nanjing University,Tsinghua University,PharMolix
- Szervezet típusa
- Academia,Academia,Academia,Industry
- Ország
- China
- Közölt
- 5 April 2024
- Szerzők
- Kangjie Zheng, Siyu Long, Tianyu Lu, Junwei Yang, Xinyu Dai, Ming Zhang, Zaiqing Nie, Wei-Ying Ma, Hao Zhou
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins
- Alapmodell
- ESM2-35M
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
- 35M
- Képzési adatok
- 1,143,750,000 tokens
Assuming 300 tokens per protein and 100 token per molecule 8M*300+209M*100=23300000000
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
- 7.3 × 10²⁰ FLOP
- Hogyan jött létre
- Hardware
1. Hardware: 16x NVIDIA A100 GPUs (3.12e14 FLOP/s per GPU) 2. Training duration: 3 days directly reported = 259,200 seconds 3. Utilization: 40% assumed 4. Calculation: 3.12e14 FLOP/s × 16 GPUs × 259,200s × 0.40 = 5.18e20 FLOPs Base model: 209999999999999970000 Total: 209999999999999970000+5.18e20=728000000000000000000
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
- 16
- Fali óra idő
- 72 hours
- Teljesítményfogyasztás
- 12.7 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
- 19
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- ESM All-Atom: Multi-scale Protein Language Model for Unified Molecular Modeling
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Honnan jött
ESM-AA ki lett adva által Peking University,Nanjing University,Tsinghua University,PharMolix, az országban rögzítve mint China, alatt April 2024. A kiadó kategóriája alá tartozik academia,Academia,Academia,Industry.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins.
A kiindulópontja egy meglévő alapmodell volt, ESM2-35M. Ezért osztja a bázismodell általános formáját és méretét.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Hogyan lett betanítva
A képzés futás körülbelül 7.3 × 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 1,143,750,000 szöveg tokenjei
Válaszok
ESM-AA — gyakori kérdések
ESM-AA— Hány paramétere van?
Paraméterszáma 35M. 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.
ESM-AA— Ki készítette ezt?
Kiadta Peking University,Nanjing University,Tsinghua University,PharMolix, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia,Industry.
ESM-AA— 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.
ESM-AA— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
ESM-AA— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.3 × 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.
ESM-AA— 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.
ESM-AA— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
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..