DecompDiff
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
- University of Illinois Urbana-Champaign (UIUC),ByteDance,University of Chinese Academy of Sciences,Chinese Academy of Sciences,Tsinghua University
- Tipo di organizzazione
- Academia,Industry,Academia,Academia,Academia
- Paese
- United States of America, China
- Pubblicato
- 26 February 2024
- Autori
- Jiaqi Guan, Xiangxin Zhou, Yuwei Yang, Yu Bao, Jian Peng, Jianzhu Ma, Qiang Liu, Liang Wang, Quanquan Gu
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
- 12,500,000 tokens
"100,000 complexes are selected for training" (diffusion based model)
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
- 1.9 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
1. Hardware setup: 1x NVIDIA A100 GPU (3.12e14 FLOPs/s for FP16) 2. Training duration: 41.7 hours (provided directly) = 150,120 seconds 3. Utilization rate: 40% (assumed) 4. Calculation: 3.12e14 FLOPs/s × 1 GPU × 150,120s × 0.4 = 1.873e19 FLOPs
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
- 1
- Tempo di parete
- 42 hours
- Consumo energetico
- 435 W
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 119
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
DecompDiff è stato pubblicato da University of Illinois Urbana-Champaign (UIUC),ByteDance,University of Chinese Academy of Sciences,Chinese Academy of Sciences,Tsinghua University, nel paese registrato come United States of America, durante February 2024. La categoria sotto cui rientra l'editore è academia,Industry,Academia,Academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di drug discovery.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
Il run di addestramento ha consumato circa 1.9 × 10¹⁹ 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 12,500,000 token di testo
Risposte
DecompDiff — domande comuni
DecompDiff— 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.
DecompDiff— 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.
DecompDiff— 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.
DecompDiff— chi l'ha creato?
È stato pubblicato da University of Illinois Urbana-Champaign (UIUC),ByteDance,University of Chinese Academy of Sciences,Chinese Academy of Sciences,Tsinghua University, basato su United States of America, un'organizzazione categorizzata come academia,Industry,Academia,Academia,Academia.
DecompDiff— quando è stato rilasciato?
È stato pubblicato in February 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.
DecompDiff— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di drug discovery. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
DecompDiff— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.9 × 10¹⁹ 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.
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.