RFdiffusion
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
- University of Washington,Columbia University,Ecole Normale Supèrieure,University of Cambridge,Massachusetts Institute of Technology (MIT),Seoul National University
- Szervezet típusa
- Academia,Academia,Academia,Academia,Academia,Academia
- Ország
- United States of America, France, United Kingdom of Great Britain and Northern Ireland, Korea (Republic of)
- Közölt
- 23 July 2023
- Szerzők
- Joseph L. Watson, David Juergens, Nathaniel R. Bennett, Brian L. Trippe, Jason Yim, Helen E. Eisenach, Woody Ahern, Andrew J. Borst, Robert J. Ragotte, Lukas F. Milles, Basile I. M. Wicky, Nikita Hanikel, Samuel J. Pellock, Alexis Courbet, William Sheffler, Jue Wang, Preetham Venkatesh, Isaac Sappington, Susana Vázquez Torres, Anna Lauko, Valentin De Bortoli, Emile Mathieu, Sergey Ovchinnikov, Reg…
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein generation, Protein folding prediction
- Alapmodell
- RoseTTAFold All-Atom (RFAA)
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
- tokens
Table 3 (Supplementary materials): Initial Training: crop size 256 25600 examples per epoch 200 epochs Fine tuning: crop size 384 25600 examples per epoch 100 epochs 256*25600*200+384*25600*100 = 2293760000 tokens ~ 2.3B 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.
- Hogyan jött létre
- Hardware
- Finomhangolás számítás
- 5.8 × 10²¹ FLOP
125000000000000*64*672*3600*0.3=5.80608e+21
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA V100
- Használt chipek
- 64
- Fali óra idő
- 672 hours (28 days)
- Teljesítményfogyasztás
- 38.2 kW
"RoseTTAFold was trained for 4 weeks on 64 V100 GPUs on Microsoft Azure." 4*7*24=672 hours
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 (unrestricted)
- Képzés kód
- Unreleased
Code for running RFdiffusion has been released on GitHub, free for academic, personal and commercial use at https://github.com/Rosetta- Commons/RFdiffusion. It is also available as a Google Colab notebook, accessible through GitHub.
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- De novo design of protein structure and function with RFdiffusion
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Mit jelent ez a modell
RFdiffusion ki lett adva által University of Washington,Columbia University,Ecole Normale Supèrieure,University of Cambridge,Massachusetts Institute of Technology (MIT),Seoul National University, az országban rögzítve mint United States of America, alatt July 2023. A kiadó kategóriája alá tartozik academia,Academia,Academia,Academia,Academia,Academia.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein generation, Protein folding prediction.
A kiindulópontja egy meglévő alapmodell volt, RoseTTAFold All-Atom (RFAA). 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.
Válaszok
RFdiffusion — gyakori kérdések
RFdiffusion— 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.
RFdiffusion— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
RFdiffusion— Ki készítette ezt?
Kiadta University of Washington,Columbia University,Ecole Normale Supèrieure,University of Cambridge,Massachusetts Institute of Technology (MIT),Seoul National University, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia,Academia,Academia,Academia.
RFdiffusion— Mikor adták ki?
Kibocsátották a July 2023. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
RFdiffusion— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein generation, Protein folding prediction. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
RFdiffusion— Hol tudom letölteni?
A súlyok közzététele megtörtént, bár nem rendelkezünk tárolólinkkel erre. Ez az oldal a hardverkövetelményeket számítja ki, nem pedig modellfájlokat tárol.
RFdiffusion— 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.
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..