VespaG
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Technical University of Munich,Sorbonne University,Institute for Advanced Study,Université Paris Cité,Institut Universitaire de France (IUF)
- Tipo di organizzazione
- Academia,Academia,Academia,Academia,Research collective
- Paese
- Germany, France, United States of America
- Pubblicato
- 9 September 2024
- Autori
- Céline Marquet, Julius Schlensok, Marina Abakarova, Burkhard Rost, Elodie Laine
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein property prediction, Protein or nucleotide language model (pLM/nLM)
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 660K
- Dati di addestramento
- tokens
- Epoche
- 200
Total datapoints = 39,000,000 39,000,000 = 3.9 x 10^7 Final data estimate: 3.9e7
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Expert-guided protein Language Models enable accurate and blazingly fast fitness prediction
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
VespaG è stato pubblicato da Technical University of Munich,Sorbonne University,Institute for Advanced Study,Université Paris Cité,Institut Universitaire de France (IUF), nel paese registrato come Germany, durante September 2024. Esce da un'organizzazione categorizzata come academia,Academia,Academia,Academia,Research collective.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein property prediction, Protein or nucleotide language model (pLM/nLM).
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Risposte
VespaG — domande comuni
VespaG— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
VespaG— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
VespaG— quanti parametri ha?
Ha un numero di parametri di 660K. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
VespaG— chi l'ha creato?
È stato pubblicato da Technical University of Munich,Sorbonne University,Institute for Advanced Study,Université Paris Cité,Institut Universitaire de France (IUF), basato su Germany, un'organizzazione categorizzata come academia,Academia,Academia,Academia,Research collective.
VespaG— quando è stato rilasciato?
È stato pubblicato in September 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
VespaG— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein property prediction, Protein or nucleotide language model (pLM/nLM). I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.