IgGM
Nincs becslés
Nincs hardver követelmény ennek a modellnek
Ez a modell súlyai nyilvánosak, de a paraméterszámokat nem tették közzé. Minden memória- és sebességszám ebből a számból indul, ezért inkább nem mutatunk semmit, mint egy hamisított becslést..
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
- Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent
- Szervezet típusa
- Academia,Academia,Industry
- Ország
- China
- Közölt
- 22 September 2024
- Szerzők
- Rubo Wang, Fandi Wu, Xingyu Gao, Jiaxiang Wu, Peilin Zhao, Jianhua Yao
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Protein design
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
- 15,506,880 tokens
Complexes: 6,448 + 1,907 = 8,355 Amino acids per complex: 450 + 350 + 300 = 1,100 Total amino acids: 8,355 * 1,100 = 9,190,500
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.
- Képzés számítás
- 8.6 × 10²⁰ FLOP
- Hogyan jött létre
- Hardware
1. Hardware setup: 8x NVIDIA A100 SXM4 80GB GPUs, 3.12e14 FLOP/s per GPU 2. Training duration: Directly provided as 10 days = 864,000 seconds 3. Utilization rate: 40% 4. Final calculation: 3.12e14 FLOP/s × 864,000s × 0.4 × 8 GPUs = 8.6e20 FLOPs
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
- 8
- Fali óra idő
- 240 hours (10 days)
- Teljesítményfogyasztás
- 6.3 kW
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Open — downloadable
- Modell hozzáférés
- Open weights (non-commercial)
- Képzés kód
- Unreleased
PolyForm Noncommercial License 1.0.0 https://github.com/TencentAI4S/IgGM?tab=readme-ov-file
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
- IgGM: A Generative Model for Functional Antibody and Nanobody Design
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Háttér
IgGM ki lett adva által Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent, az országban rögzítve mint China, alatt September 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia,Industry.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein design.
A közzétett súlyok azt jelentik, hogy a modell a te gépeden fut, nem pedig valaki másén, ami lehetővé teszi az alábbi hardverkérdés megválaszolását.
Hogyan lett betanítva
A képzés futás körülbelül 8.6 × 10²⁰ FLOP, hardveren rögzítve NVIDIA A100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A képzés körülbelül egy korpuszt fogyasztott 15,506,880 szöveg tokenjei
Válaszok
IgGM — gyakori kérdések
IgGM— Ki készítette ezt?
Kiadta Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Industry.
IgGM— Mikor adták ki?
Kibocsátották a September 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
IgGM— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein design. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
IgGM— Hol tudom letölteni?
A súlyok közzététele megtörtént, bár nem rendelkezünk tárolólinkkel erre. Ez az oldal a hardverkövetelményeket számítja ki, nem pedig modellfájlokat tárol.
IgGM— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 8.6 × 10²⁰ FLOP, hardveren rögzítve NVIDIA A100. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
IgGM— Milyen GPU-ra van szükségem, hogy futtathassam?
Nem tudjuk megmondani. Nyílt súlyai vannak, de a paraméterek számát nem tették közzé, és minden memória- és sebességszámítás ebből a számból indul. Inkább nem mutatunk semmit, mint egy hamisított becslést.
IgGM— Nyílt forráskódú?
Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.
IgGM— 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..