SO3LR
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 Luxembourg,Technische Universitat Berlin,Berlin Institute for the Foundations of Learning and Data,DeepMind,Max Planck Institute for Informatics,Korea University
- Szervezet típusa
- Academia,Academia,Research collective,Industry,Academia,Academia
- Ország
- Luxembourg, Germany, United Kingdom of Great Britain and Northern Ireland, Korea (Republic of)
- Közölt
- 8 October 2024
- Szerzők
- Adil Kabylda, J. Thorben Frank, Sergio Suarez Dou, Almaz Khabibrakhmanov, Leonardo Medrano Sandonas, Oliver T. Unke, Stefan Chmiela, Klaus-Robert Muller, Alexandre Tkatchenko
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein folding prediction, Molecular simulation
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
GEMS fragments: 2,700,000 QM7-X molecules: 1,000,000 AQM gas-phase drugs: 60,000 SPICE dipeptides: 33,000 DES molecular dimers: 15,000 Gas-phase water clusters: 10,000 2,700,000 + 1,000,000 + 60,000 + 33,000 + 15,000 + 10,000 = 3,818,000 ≈ 4,000,000 datapoints Assuming 30 atoms per molecule and 1 token per atom: 120000000 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
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA H100 PCIe
- Fali óra idő
- 86 hours
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Molecular Simulations with a Pretrained Neural Network and Universal Pairwise Force Fields
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
SO3LR ki lett adva által University of Luxembourg,Technische Universitat Berlin,Berlin Institute for the Foundations of Learning and Data,DeepMind,Max Planck Institute for Informatics,Korea University, az országban rögzítve mint Luxembourg, alatt October 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia,Research collective,Industry,Academia,Academia.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein folding prediction, Molecular simulation.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Válaszok
SO3LR — gyakori kérdések
SO3LR— Ki készítette ezt?
Kiadta University of Luxembourg,Technische Universitat Berlin,Berlin Institute for the Foundations of Learning and Data,DeepMind,Max Planck Institute for Informatics,Korea University, alapján Luxembourg, egy szervezet, amelyet kategorizáltak mint academia,Academia,Research collective,Industry,Academia,Academia.
SO3LR— 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.
SO3LR— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein folding prediction, Molecular simulation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
SO3LR— 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.
SO3LR— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
SO3LR— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
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..