ProteinChat
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
- University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)
- Szervezet típusa
- Academia,Industry,Academia
- Ország
- United States of America, China, United Arab Emirates
- Közölt
- 10 October 2024
- Szerzők
- Mingjia Huo, Han Guo, Xingyi Cheng, Digvijay Singh, Hamidreza Rahmani, Shen Li, Philipp Gerlof, Trey Ideker, Danielle A. Grotjahn, Elizabeth Villa, Le Song, Pengtao Xie
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein function prediction
- Alapmodell
- xTrimoPGLM - 1B,Vicuna-13B v0
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
- 14B
- Képzési adatok
- tokens
"We utilized xTrimoPGLM (27), a state-of-the-art protein language model, as the protein encoder, and Vicuna- 13B (25), fine-tuned from Llama-2 (21), as the LLM of ProteinChat."
Assuming average protein length of 300 tokens (600 is the maximum length), 20 tokens for the prompt and 50 tokens for the answer. 1500000 examples * (300 tokens per protein + 70 prompt tokens) * 0.9 training split =499500000
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
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 8
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Multi-Modal Large Language Model Enables Protein Function Prediction
- Utoljára frissítve
- 1 January 2026
Mit jelentenek a számok
Háttér
ProteinChat ki lett adva által University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), az országban rögzítve mint United States of America, alatt October 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Industry,Academia.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein function prediction.
A kiindulópontja egy meglévő alapmodell volt, xTrimoPGLM - 1B,Vicuna-13B v0. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Válaszok
ProteinChat — gyakori kérdések
ProteinChat— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein function prediction. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
ProteinChat— 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.
ProteinChat— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
ProteinChat— Hány paramétere van?
Paraméterszáma 14B. "We utilized xTrimoPGLM (27), a state-of-the-art protein language model, as the protein encoder, and Vicuna- 13B (25), fine-tuned from Llama-2 (21), as the LLM of ProteinChat.". 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.
ProteinChat— Ki készítette ezt?
Kiadta University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Industry,Academia.
ProteinChat— Mikor adták ki?
Kibocsátották a October 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
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..