ESM-AA
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
- Peking University,Nanjing University,Tsinghua University,PharMolix
- Tipo di organizzazione
- Academia,Academia,Academia,Industry
- Paese
- China
- Pubblicato
- 5 April 2024
- Autori
- Kangjie Zheng, Siyu Long, Tianyu Lu, Junwei Yang, Xinyu Dai, Ming Zhang, Zaiqing Nie, Wei-Ying Ma, Hao Zhou
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, Protein or nucleotide language model (pLM/nLM), Proteins
- Modello di base
- ESM2-35M
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
- 35M
- Dati di addestramento
- 1,143,750,000 tokens
Assuming 300 tokens per protein and 100 token per molecule 8M*300+209M*100=23300000000
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
- 7.3 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
1. Hardware: 16x NVIDIA A100 GPUs (3.12e14 FLOP/s per GPU) 2. Training duration: 3 days directly reported = 259,200 seconds 3. Utilization: 40% assumed 4. Calculation: 3.12e14 FLOP/s × 16 GPUs × 259,200s × 0.40 = 5.18e20 FLOPs Base model: 209999999999999970000 Total: 209999999999999970000+5.18e20=728000000000000000000
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
- 16
- Tempo di parete
- 72 hours
- Consumo energetico
- 12.7 kW
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 19
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- ESM All-Atom: Multi-scale Protein Language Model for Unified Molecular Modeling
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
ESM-AA è stato pubblicato da Peking University,Nanjing University,Tsinghua University,PharMolix, nel paese registrato come China, durante April 2024. La categoria sotto cui rientra l'editore è academia,Academia,Academia,Industry.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins.
Il suo punto di partenza era un modello di base esistente, ESM2-35M. È per questo che condivide la forma e le dimensioni generali del modello base.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
Il run di addestramento ha consumato circa 7.3 × 10²⁰ 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 1,143,750,000 token di testo
Risposte
ESM-AA — domande comuni
ESM-AA— quanti parametri ha?
Ha un numero di parametri di 35M. 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.
ESM-AA— chi l'ha creato?
È stato pubblicato da Peking University,Nanjing University,Tsinghua University,PharMolix, basato su China, un'organizzazione categorizzata come academia,Academia,Academia,Industry.
ESM-AA— quando è stato rilasciato?
È stato pubblicato in April 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.
ESM-AA— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
ESM-AA— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.3 × 10²⁰ 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.
ESM-AA— 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.
ESM-AA— 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.
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.