Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
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
- ETH Zurich,University of Zurich,ETH AI Center
- Tipo di organizzazione
- Academia,Academia,Research collective
- Paese
- Switzerland
- Pubblicato
- 19 August 2024
- Autori
- Heath Arthur-Loui, Amina Mollaysa, Michael Krauthammer
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Drug discovery
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.
- Dati di addestramento
- tokens
- Epoche
- 500
QM9 Dataset: 113,885 molecules × 40 tokens = 4,555,400 tokens ZINC250k Dataset: 250,000 molecules × 120 tokens = 30,000,000 tokens Total: 4,555,400 + 30,000,000 = 34,555,400 tokens ≈ 3.5 × 10^7 tokens
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Come è stato stabilito
- Hardware
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA GeForce RTX 4090
- Chip utilizzati
- 1
- Consumo energetico
- 487 W
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (non-commercial)
- Codice di addestramento
- Open (non-commercial)
no clear license https://github.com/HeathArhturLouis/Rethinking-Molecular-Design-Integrating-Latent-Variable-and-Autoregressive-Models-for-Enhanced-Goal
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
- Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation è stato pubblicato da ETH Zurich,University of Zurich,ETH AI Center, nel paese registrato come Switzerland, durante August 2024. La categoria sotto cui rientra l'editore è academia,Academia,Research collective.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di drug discovery.
I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.
Risposte
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation — domande comuni
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— chi l'ha creato?
È stato pubblicato da ETH Zurich,University of Zurich,ETH AI Center, basato su Switzerland, un'organizzazione categorizzata come academia,Academia,Research collective.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— quando è stato rilasciato?
È stato pubblicato in August 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.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di drug discovery. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
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.