Improved motif-scaffolding with SE(3) flow matching
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 Oxford,Massachusetts Institute of Technology (MIT),Microsoft Research AI for Science
- Tipo di organizzazione
- Academia,Academia,Industry
- Paese
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Pubblicato
- 8 January 2024
- Autori
- Jason Yim, Andrew Campbell, Emile Mathieu, Andrew Y. K. Foong, Michael Gastegger, José Jiménez-Luna, Sarah Lewis, Victor Garcia Satorras, Bastiaan S. Veeling, Frank Noé, Regina Barzilay, Tommi S. Jaakkola
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein design
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
- 16.8M
- Dati di addestramento
- tokens
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
- 1.6 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
1. Hardware: 2x NVIDIA RTX A6000 (3.87e13 FLOP/s per GPU) 2. Training duration: 6 days = 518,400 seconds (directly provided) 3. Utilization: 40% 4. Calculation: 2 GPUs × 3.87e13 FLOP/s × 518,400s × 0.40 = 1.6e19 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 RTX A6000
- Chip utilizzati
- 2
- Tempo di parete
- 144 hours
- Consumo energetico
- 1.2 kW
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Improved motif-scaffolding with SE(3) flow matching
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Da dove è venuto
Improved motif-scaffolding with SE(3) flow matching è stato pubblicato da University of Oxford,Massachusetts Institute of Technology (MIT),Microsoft Research AI for Science, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante January 2024. La categoria sotto cui rientra l'editore è academia,Academia,Industry.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein design.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 1.6 × 10¹⁹ FLOP, su hardware registrato come NVIDIA RTX A6000. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
Improved motif-scaffolding with SE(3) flow matching — domande comuni
Improved motif-scaffolding with SE(3) flow matching— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein design. 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.
Improved motif-scaffolding with SE(3) flow matching— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.6 × 10¹⁹ FLOP, su hardware registrato come NVIDIA RTX A6000. 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.
Improved motif-scaffolding with SE(3) flow matching— 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.
Improved motif-scaffolding with SE(3) flow matching— 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.
Improved motif-scaffolding with SE(3) flow matching— quanti parametri ha?
Ha un numero di parametri di 16.8M. 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.
Improved motif-scaffolding with SE(3) flow matching— chi l'ha creato?
È stato pubblicato da University of Oxford,Massachusetts Institute of Technology (MIT),Microsoft Research AI for Science, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia,Academia,Industry.
Improved motif-scaffolding with SE(3) flow matching— quando è stato rilasciato?
È stato pubblicato in January 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.