LBSTER
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
- Prescient Design,Genentech
- Tipo di organizzazione
- Industry,Industry
- Paese
- United States of America
- Pubblicato
- 15 May 2024
- Autori
- Nathan C. Frey, Taylor Joren, Aya Abdelsalam Ismail, Allen Goodman, Richard Bonneau, Kyunghyun Cho, Vladimir Gligorijević
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- 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
- 67M
- Dati di addestramento
- 3,375,000,000 tokens
- Epoche
- 4.06
"we are able to train a 67 million parameter model"
UniRef50 dataset size calculation: 43,000,000 sequences × 300 tokens/sequence = 1.29 × 10¹⁰ tokens Training process calculation: 1,048,576 tokens/step × 50,000 steps = 5.24288 × 10¹⁰ total tokens Epochs calculation: 5.24288 × 10¹⁰ / 1.29 × 10¹⁰ = 4.06 epochs Final unique tokens (first epoch only): 1.3 × 10¹⁰ 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.
- Calcolo di addestramento
- 1.1 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
1 day on 1 A100 312000000000000*1day*0.4=10782720000000000000
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 SXM4 80 GB
- Chip utilizzati
- 1
- Tempo di parete
- 24 hours
- Consumo energetico
- 434 W
"we are able to train a 67 million parameter model in a single day
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 4
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Cramming Protein Language Model Training in 24 GPU Hours
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
LBSTER è stato pubblicato da Prescient Design,Genentech, nel paese registrato come United States of America, durante May 2024. Esce da un'organizzazione categorizzata come industry,Industry.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein or nucleotide language model (pLM/nLM).
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 1.1 × 10¹⁹ FLOP, su hardware registrato come NVIDIA A100 SXM4 80 GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 3,375,000,000 token di testo
Risposte
LBSTER — domande comuni
LBSTER— chi l'ha creato?
È stato pubblicato da Prescient Design,Genentech, basato su United States of America, un'organizzazione categorizzata come industry,Industry.
LBSTER— 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.
LBSTER— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein or nucleotide language model (pLM/nLM). Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
LBSTER— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.1 × 10¹⁹ FLOP, su hardware registrato come NVIDIA A100 SXM4 80 GB. 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.
LBSTER— 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.
LBSTER— 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.
LBSTER— quanti parametri ha?
Ha un numero di parametri di 67M. "we are able to train a 67 million parameter model". 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.
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.