EquiDock
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
Ennek a modellnek a súlyai nyitottak, de egyetlen paraméterszám sem került nyilvánosságra. Minden memória- és sebességadat ebből a számából indul ki, így inkább nem mutatunk semmit, mint hogy egy megvezető becslést adjunk..
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
- Massachusetts Institute of Technology (MIT),ETH Zurich,Tencent
- Szervezet típusa
- Academia,Academia,Industry
- Ország
- United States of America, Switzerland, China
- Kiadva
- 15 November 2021
- Szerzők
- Octavian-Eugen Ganea, Xinyuan Huang, Charlotte Bunne, Yatao Bian, Regina Barzilay, Tommi Jaakkola, Andreas Krause
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Biology
- Feladat
- Proteins
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Képzési adatok
- 39,938 tokens
- Epókák
- 30
DIPS Dataset: 39,937 protein pairs Total data points = 39,937 = 3.9937e4
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
- 1.1 × 10¹⁹ FLOP
- Hogyan jött létre
- Hardware
Training details here: https://docs.nvidia.com/bionemo-framework/latest/models/equidock.html 32 A100s can do 30 epochs per hour on the DIPS dataset. Equidock was trained on 30 epochs on DIPS and 150 epochs on DB5.5. DIPS is about 100x bigger, so the large majority of compute was DIPS. 32 A100-hours = 312 teraflops * 32 * 3600 * 0.3 ~= 1.08e19
Elérhetőség
Hogy megszerezheted-e a modellt és futtathatod a saját hardvereden, ami eldönti, hogy a ezen az oldalon szereplő grafikus kártyák adatai alkalmazhatóak-e.
- Súlyok
- Open — downloadable
- Modell hozzáférés
- Open weights (unrestricted)
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Rögzítési bizalom
- Likely
- Citations
- 171
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking
- Utoljára frissítve
- 25 May 2026
Mit jelentek a számok
Where it came from
EquiDock was published by Massachusetts Institute of Technology (MIT),ETH Zurich,Tencent, in United States of America, in November 2021. The organisation is categorised as academia,Academia,Industry.
It works in Biology, and is recorded as doing proteins.
The weights are published, so it can be downloaded and run on your own hardware indefinitely, offline, with no account attached.
Hogyan lett betanítva
Producing it required around 1.1 × 10¹⁹ FLOP of arithmetic, which is a statement about the training budget rather than about inference.
It was trained on about 39,938 tokens of text.
Válaszok
EquiDock — Gyakran ismételt kérdések
Who created EquiDock?
EquiDock was published by Massachusetts Institute of Technology (MIT),ETH Zurich,Tencent, based in United States of America, categorised as academia,Academia,Industry.
When was EquiDock released?
EquiDock was published in November 2021. 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 EquiDock used for?
EquiDock works in Biology, and is recorded as handling proteins. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download EquiDock?
The weights for EquiDock are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train EquiDock?
Around 1.1 × 10¹⁹ FLOP. 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 EquiDock?
We cannot say. EquiDock has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is EquiDock open source?
Its weights are published, so EquiDock can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does EquiDock have?
No parameter count has been published for EquiDock, which is why no memory or speed figure appears on this page.
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.