AutoDiff
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
- Galixir Technologies,Rensselaer Polytechnic Institute,Massachusetts Institute of Technology (MIT)
- Tipo di organizzazione
- Industry,Academia,Academia
- Paese
- China, United States of America
- Pubblicato
- 2 April 2024
- Autori
- Xinze Li, Penglei Wang, Tianfan Fu, Wenhao Gao, Chengtao Li, Leilei Shi, Junhong Liu
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
22.5M poses = 22.5M datapoints = 22,500,000 datapoints Final estimate = 22.5M
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
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 5
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
AutoDiff è stato pubblicato da Galixir Technologies,Rensselaer Polytechnic Institute,Massachusetts Institute of Technology (MIT), nel paese registrato come China, durante April 2024. Esce da un'organizzazione categorizzata come industry,Academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di drug discovery.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Risposte
AutoDiff — domande comuni
AutoDiff— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
AutoDiff— 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.
AutoDiff— chi l'ha creato?
È stato pubblicato da Galixir Technologies,Rensselaer Polytechnic Institute,Massachusetts Institute of Technology (MIT), basato su China, un'organizzazione categorizzata come industry,Academia,Academia.
AutoDiff— 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.
AutoDiff— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di drug discovery. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
AutoDiff— 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.
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.