GearNet
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
- Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,University of Cambridge,IBM Research,HEC Montreal,CIFAR AI Research
- Szervezet típusa
- Academia,Academia,Academia,Industry,Academia,Research collective
- Ország
- Canada, United Kingdom of Great Britain and Northern Ireland, United States of America
- Közölt
- 1 November 2022
- Szerzők
- Zuobai Zhang, Minghao Xu, Arian Jamasb, Vijil Chenthamarakshan, Aurélie Lozano, Payel Das, Jian Tang
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Proteins, Protein function prediction, Protein fold classification
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
- 805,000 tokens
- Epochok
- 50
805,000 proteins × 300 residues/protein = 241,500,000 datapoints (2.415 × 10^8) Breakdown: 1. Initial protein count: 365,000 + 440,000 = 805,000 2. Final calculation: 805,000 × 300 = 241,500,000
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
- 4
- Teljesítményfogyasztás
- 3.2 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
- 312
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Protein Representation Learning by Geometric Structure Pretraining
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
GearNet ki lett adva által Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,University of Cambridge,IBM Research,HEC Montreal,CIFAR AI Research, az országban rögzítve mint Canada, alatt November 2022. A kiadó szervezet a következő kategóriába tartozik academia,Academia,Academia,Industry,Academia,Research collective.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása proteins, Protein function prediction, Protein fold classification.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Mi került a felépítésébe
A képzés körülbelül egy korpuszt fogyasztott 805,000 szöveg tokenjei
Válaszok
GearNet — gyakori kérdések
GearNet— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
GearNet— Ki készítette ezt?
Kiadta Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),University of Montreal / Université de Montréal,University of Cambridge,IBM Research,HEC Montreal,CIFAR AI Research, alapján Canada, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia,Industry,Academia,Research collective.
GearNet— Mikor adták ki?
Kibocsátották a November 2022. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
GearNet— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot proteins, Protein function prediction, Protein fold classification. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
GearNet— 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.
GearNet— 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..