AlphaFold 3
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
- Google DeepMind,Isomorphic Labs
- Tipo di organizzazione
- Industry,Industry
- Paese
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 8 May 2024
- Autori
- Josh Abramson, Jonas Adler, Jack Dunger, Richard Evans, Tim Green, Alexander Pritzel, Olaf Ronneberger, Lindsay Willmore, Andrew J. Ballard, Joshua Bambrick, Sebastian W. Bodenstein, David A. Evans, Chia-Chun Hung, Michael O’Neill, David Reiman, Kathryn Tunyasuvunakool, Zachary Wu, Akvilė Žemgulytė, Eirini Arvaniti, Charles Beattie, Ottavia Bertolli, Alex Bridgland, Alexey Cherepanov, Miles Congre…
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein folding prediction, Antibody property prediction, Protein-ligand contact prediction, RNA structure prediction, Protein interaction prediction
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
- 29,491,200,000 tokens
- Epoche
- 1
from https://www.biorxiv.org/content/10.1101/2024.11.19.624167v2.full.pdf "As a comparison AlphaFol3 trained a similar architecture for nearly 150k steps with a batch size of 256" from supplementary materials "The model is trained with a batch size of 256" 150000 steps * 256 sequences per batch * 384 tokens per batch [at initial training stage, Table 6, supplementary materials] = 14 745 600 000 tokens from supplementary materials Table 6 fine-tuning took exactly the same amount of GPU-hours -…
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
- 4.1 × 10²² FLOP
- Come è stato stabilito
- Hardware
256 GPUs * 480 hours [see training time notes] * 3600 sec / hour * 312000000000000 FLOP / GPU / sec * 0.3 [assumed utilization] = 4.1405645e+22 FLOP
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
- 256
- Tempo di parete
- 480 hours (20 days)
- Consumo energetico
- 202.3 kW
supplementary materials Table 6 20 days *24 hours = 480 hours
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
- Unreleased
Inference code CC-BY-NC-SA 4.0 weights - permissions given after approval (only non-commercial use) "AlphaFold 3 will be available as a non-commercial usage only server at https://www.alphafoldserver.com, with restrictions on allowed ligands and covalent modifications. Pseudocode describing the algorithms is available in the Supplementary Information. Code is not provided"
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
Figure 4 + "we achieve a higher average performance than RoseTTAFold2NA and AIchemy_RNA27 (the best AI-based submission in CASP1518,31)" "Even so, AF3 greatly outperforms classical docking tools such as Vina37,38 even while not using any structural inputs (Fisher’s exact test, P = 2.27 × 10−13) and greatly outperforms all other true blind docking like RoseTTAFold All-Atom " also is on top of the CAMEO leaderboard https://cameo3d.org/
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Accurate structure prediction of biomolecular interactions with AlphaFold 3
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
AlphaFold 3 è stato pubblicato da Google DeepMind,Isomorphic Labs, nel paese registrato come United States of America, durante May 2024. La categoria sotto cui rientra l'editore è industry,Industry.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein folding prediction, Antibody property prediction, Protein-ligand contact prediction, RNA structure prediction, Protein interaction prediction.
I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.
Come è stato addestrato
Il run di addestramento ha consumato circa 4.1 × 10²² 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.
Il set di addestramento si aggirava attorno a 29,491,200,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
AlphaFold 3 — domande comuni
AlphaFold 3— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein folding prediction, Antibody property prediction, Protein-ligand contact prediction, RNA structure prediction, Protein interaction prediction. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
AlphaFold 3— 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.
AlphaFold 3— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4.1 × 10²² 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.
AlphaFold 3— 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.
AlphaFold 3— 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.
AlphaFold 3— 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.
AlphaFold 3— chi l'ha creato?
È stato pubblicato da Google DeepMind,Isomorphic Labs, basato su United States of America, un'organizzazione categorizzata come industry,Industry.
AlphaFold 3— 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.