ESM-GearNet
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..
Felvételen
Teljes specifikáció
Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,IBM Research,HEC Montreal,CIFAR AI Research
- Szervezet típusa
- Academia,Academia,Industry,Academia,Research collective
- Ország
- Canada, United States of America
- Kiadva
- 11 May 2023
- Szerzők
- Zuobai Zhang, Chuanrui Wang, Minghao Xu, Vijil Chenthamarakshan, Aurélie Lozano, Payel Das, Jian Tang
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Biology
- Feladat
- Proteins, Protein function prediction
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Paraméterek
- 650M
- Képzési adatok
- 109,500,000 tokens
- Epókák
- 50
Calculating unique tokens seen in first epoch: Number of Proteins: 365,000 Average Residues per Protein: 300 Total Datapoints = 365,000 × 300 = 109,500,000 ≈ 1.1 × 10^8 tokens
Képzés számítás
A modell betanításához végzett aritmetikai műveletek, amelyet lebegőpontos műveletekben mérnek. Ez a tréning futásának költségét méri, nem azt, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 2.1 × 10¹⁹ FLOP
Using 6*N*D with 50 epochs: 6*650000000*110000001*50=2.145e+19
A képzési futam
A kiképzéshez fizikailag szükséges volt: milyen chipek, hány, meddig és mennyi áramot vett le a hálózatról.
- Képzési hardver
- NVIDIA A100
- Felhasznált chipek
- 4
- Energiafogyasztás
- 3.2 kW
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Rögzítési bizalom
- Likely
- Citations
- 53
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- A Systematic Study of Joint Representation Learning on Protein Sequences and Structures
- Utoljára frissítve
- 25 May 2026
Mit jelentek a számok
Erről a modellről
ESM-GearNet was published by Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,IBM Research,HEC Montreal,CIFAR AI Research, in Canada, in May 2023. academia,Academia,Industry,Academia,Research collective is the category the publisher falls under.
It works in Biology, and is recorded as doing proteins, Protein function prediction.
Súlyait soha nem publikálták, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, amely ezt megváltoztatja.
Training and provenance
Training it took roughly 2.1 × 10¹⁹ FLOP of computation, on NVIDIA A100 — a measure of what producing the model cost, not of how fast it answers.
It was trained on about 109,500,000 tokens of text.
Válaszok
ESM-GearNet — Gyakran ismételt kérdések
How much compute was used to train ESM-GearNet?
Around 2.1 × 10¹⁹ FLOP, on NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run ESM-GearNet?
None. ESM-GearNet is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is ESM-GearNet open source?
The licensing for ESM-GearNet was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does ESM-GearNet have?
ESM-GearNet has 650M parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created ESM-GearNet?
ESM-GearNet was published by Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,IBM Research,HEC Montreal,CIFAR AI Research, based in Canada, categorised as academia,Academia,Industry,Academia,Research collective.
When was ESM-GearNet released?
ESM-GearNet was published in May 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is ESM-GearNet used for?
ESM-GearNet works in Biology, and is recorded as handling proteins, Protein function prediction. These are the areas it was designed around; they describe intent rather than a hard boundary.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.