ProteinStructureTransformer
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul vostro hardware a qualsiasi dimensione. È accessibile solo attraverso il suo fornitore, e nessuna scheda grafica può cambiare questo.
In registrazione
Specifiche complete
Tutto ciò che riguarda questo modello. La maggior parte delle informazioni descrive come è stato addestrato piuttosto che come viene eseguito — un contesto utile per valutare la quantità di lavoro impiegata e come si confronta con modelli realizzati su scala diversa.
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Max Planck Institute of Biochemistry
- Tipo di organizzazione
- Academia
- Paese
- Germany
- Pubblicato
- 26 January 2024
- Autori
- Dexiong Chen, Philip Hartout, Paolo Pellizzoni, Carlos Oliver, Karsten Borgwardt
Cosa fa
Le aree problematiche per cui è stato costruito il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein or nucleotide language model (pLM/nLM)
- Base model
- ESM2-650M
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono il valore che decide se si adatta a una determinata scheda grafica.
- Parametri
- 1.1B
- Dati di addestramento
- tokens
- Epoche
- 100
542,378 proteins × 300 residues/protein = 162,713,400 tokens (1.627e8) Final estimate: 1.6e8 datapoints
Addestramento computazionale
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto costato l'addestramento, non di quanto velocemente il modello finito ti risponde.
- Addestramento computazionale
- 7.6 × 10²¹ FLOP
- Come è stato stabilito
- Hardware
- Fine-tuning compute
- 5.7 × 10¹⁹ FLOP
GPU hour estimate 4*36000s*9.9e+14*0.4=5.7e+19 Base model: 7.560000000001e+21 Combined: 7616995200001001000000
Il training run
Cosa è stato fisicamente necessario per addestrare: quali chip, quanti, per quanto tempo e cosa ha richiesto dalla rete elettrica.
- Hardware di addestramento
- NVIDIA H100 SXM5 80GB
- Chips used
- 4
- Tempo di orologio muro
- 10 hours
- Consumo energetico
- 5.5 kW
Come è classificato
Etichette che il dataset sorgente applica quando si monitorano modelli notevoli e quanto è fiducioso nell'entry.
- Registrare fiducia
- Confident
- Citazioni
- 21
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- ENDOWING PROTEIN LANGUAGE MODELS WITH STRUCTURAL KNOWLEDGE
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Background
ProteinStructureTransformer was published by Max Planck Institute of Biochemistry, in Germany, in January 2024. It comes out of academia.
It works in Biology, and is recorded as doing protein or nucleotide language model (pLM/nLM).
It is derived from ESM2-650M rather than trained from scratch, which is the usual way a specialised model is produced.
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 ci è voluto per costruirlo
Producing it required around 7.6 × 10²¹ FLOP of arithmetic, on NVIDIA H100 SXM5 80GB, which is a statement about the training budget rather than about inference.
Risposte
ProteinStructureTransformer — Domande frequenti
How many parameters does ProteinStructureTransformer have?
ProteinStructureTransformer has 1.1B parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created ProteinStructureTransformer?
ProteinStructureTransformer was published by Max Planck Institute of Biochemistry, based in Germany, categorised as academia.
When was ProteinStructureTransformer released?
ProteinStructureTransformer was published in January 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is ProteinStructureTransformer used for?
ProteinStructureTransformer works in Biology, and is recorded as handling protein or nucleotide language model (pLM/nLM). These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train ProteinStructureTransformer?
Around 7.6 × 10²¹ FLOP, on NVIDIA H100 SXM5 80GB. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run ProteinStructureTransformer?
None. ProteinStructureTransformer is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is ProteinStructureTransformer open source?
The licensing for ProteinStructureTransformer was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
L'altra direzione
Guardando la questione dall'altra parte?
Questa pagina inizia dal modello. Se possedete già una scheda e desiderate conoscere tutto ciò che può eseguire, inizia dall'hardware invece.