FoldFlow2
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
- Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford
- Tipo di organizzazione
- Industry,Academia,Academia,Academia
- Paese
- Canada, United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 30 May 2024
- Autori
- Guillaume Huguet, James Vuckovic, Kilian Fatras, Eric Thibodeau-Laufer, Pablo Lemos, Riashat Islam, Cheng-Hao Liu, Jarrid Rector-Brooks, Tara Akhound-Sadegh, Michael Bronstein, Alexander Tong, Avishek Joey Bose
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein generation, Protein design
- Modello di base
- ESM2-650M
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
- 48,000,000 tokens
Average protein length = (60 + 384) / 2 = 222 residues Total datapoints = 160,000 structures × 222 residues = 35,520,000
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.
- Calcolo di addestramento
- 7.6 × 10²¹ FLOP
- Come è stato stabilito
- Hardware
1. Hardware setup: 2x NVIDIA A100 40GB GPUs (3.12 x 10^14 FLOP/s per GPU) 2. Training duration: 4 days (directly provided) = 345,600 seconds 3. Utilization rate: 40% 4. Calculation: 2 GPUs × 3.12×10^14 FLOP/s × 345,600s × 0.4 = 8.6×10^19 FLOPs Base model: 7.560000000001e+21 Total: 7646000000001000000000
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 A100
- Chip utilizzati
- 2
- Tempo di parete
- 96 hours
- Consumo energetico
- 1.6 kW
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)
CC NC 4.0 https://github.com/DreamFold/FoldFlow weights https://github.com/DreamFold/FoldFlow/releases/tag/0.2.0
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 49
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
FoldFlow2 è stato pubblicato da Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, nel paese registrato come Canada, durante May 2024. La categoria sotto cui rientra l'editore è industry,Academia,Academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein generation, Protein design.
Il suo punto di partenza era un modello di base esistente, ESM2-650M. Quello è il modo abituale in cui viene prodotto un modello specializzato.
Poiché i suoi pesi sono stati rilasciati, nulla sull'esecuzione dipende da un fornitore che rimane disponibile — è tuo una volta scaricato.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 7.6 × 10²¹ FLOP, su hardware registrato come NVIDIA A100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 48,000,000 token di testo
Risposte
FoldFlow2 — domande comuni
FoldFlow2— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein generation, Protein design. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
FoldFlow2— 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.
FoldFlow2— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.6 × 10²¹ FLOP, su hardware registrato come NVIDIA A100. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
FoldFlow2— 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.
FoldFlow2— 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.
FoldFlow2— 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.
FoldFlow2— chi l'ha creato?
È stato pubblicato da Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, basato su Canada, un'organizzazione categorizzata come industry,Academia,Academia,Academia.
FoldFlow2— quando è stato rilasciato?
È stato pubblicato in May 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.
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.