RoseTTAFold All-Atom (RFAA)
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
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 Washington,Seoul National University,University of Sheffield
- Tipo di organizzazione
- Academia,Academia,Academia
- Paese
- United States of America, Korea (Republic of), United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 9 October 2023
- Autori
- Rohith Krishna, Jue Wang, Woody Ahern, Pascal Sturmfels, Preetham Venkatesh, Indrek Kalvet, Gyu Rie Lee, Felix S Morey-Burrows, Ivan Anishchenko, Ian R Humphreys, Ryan McHugh, Dionne Vafeados, Xinting Li, George A Sutherland, Andrew Hitchcock, C Neil Hunter, Minkyung Baek, Frank DiMaio, David Baker
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, Proteins
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
- 63,240,960 tokens
Datasets: 121,800 + 112,546 + 12,689 = 247,035 "All examples were cropped to have 256 tokens during the initial stages of training and 375 tokens during fine-tuning." 247035 * 256 =63,240,960 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
- 2.1 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
Supplementary material: "This took 8 days on 8 NVIDIA A6000 GPUs." 8 GPUS *3.87E+13 FLOPS/A6000 *60 * 60 * 24 * 8 days
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
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
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- Open source
MIT-like license. inference code + training hyperparams: https://github.com/baker-laboratory/RoseTTAFold-All-Atom?tab=License-1-ov-file#readme
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Generalized Biomolecular Modeling and Design with RoseTTAFold All-Atom
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Cosa è questo modello
RoseTTAFold All-Atom (RFAA) è stato pubblicato da University of Washington,Seoul National University,University of Sheffield, nel paese registrato come United States of America, durante October 2023. La categoria sotto cui rientra l'editore è academia,Academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein folding prediction, Proteins.
I pesi sono pubblicati, quindi possono essere scaricati e eseguiti sul proprio hardware indefinitamente, offline, senza un account associato.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 2.1 × 10²⁰ 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.
Il set di addestramento si aggirava attorno a 63,240,960 token di testo
Il suo criterio di inclusione: sOTA improvement.
Risposte
RoseTTAFold All-Atom (RFAA) — domande comuni
RoseTTAFold All-Atom (RFAA)— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein folding prediction, Proteins. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
RoseTTAFold All-Atom (RFAA)— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
RoseTTAFold All-Atom (RFAA)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.1 × 10²⁰ 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.
RoseTTAFold All-Atom (RFAA)— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
RoseTTAFold All-Atom (RFAA)— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
RoseTTAFold All-Atom (RFAA)— 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.
RoseTTAFold All-Atom (RFAA)— chi l'ha creato?
È stato pubblicato da University of Washington,Seoul National University,University of Sheffield, basato su United States of America, un'organizzazione categorizzata come academia,Academia,Academia.
RoseTTAFold All-Atom (RFAA)— quando è stato rilasciato?
È stato pubblicato in October 2023. 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.