FoldFlow
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
- McGill University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),Dreamfold,University of Montreal / Université de Montréal,University of Oxford
- Tipo di organizzazione
- Academia,Academia,Industry,Academia,Academia
- Paese
- Canada, United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 3 October 2023
- Autori
- Avishek Joey Bose, Tara Akhound-Sadegh, Guillaume Huguet, Kilian Fatras, Jarrid Rector-Brooks, Cheng-Hao Liu, Andrei Cristian Nica, Maksym Korablyov, Michael Bronstein, Alexander Tong
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein generation
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
- 40,046,400 tokens
PDB Dataset: 22,248 proteins × 200 residues = 4,449,600 tokens MD Dataset: 200,000 frames × 58 residues = 11,600,000 tokens Total: 4,449,600 + 11,600,000 = 16,049,600 tokens (1.6 × 10⁷)
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
- 1.1 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
1. Hardware: 4x NVIDIA A100-80GB GPUs (3.12e14 FLOP/s per GPU) 2. Training duration: 2.5 days = 216,000 seconds (directly provided) 3. Utilization rate: 40% 4. Calculation: 3.12e14 FLOP/s × 4 GPUs × 216,000s × 0.40 = 1.1e20 FLOP
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
- 4
- Tempo di parete
- 60 hours
- Consumo energetico
- 3.2 kW
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 165
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- SE(3) Stochastic Flow Matching for Protein Backbone Generation
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
FoldFlow è stato pubblicato da McGill University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),Dreamfold,University of Montreal / Université de Montréal,University of Oxford, nel paese registrato come Canada, durante October 2023. Esce da un'organizzazione categorizzata come academia,Academia,Industry,Academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein generation.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
Il run di addestramento ha consumato circa 1.1 × 10²⁰ 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.
È stato addestrato su un corpus di circa 40,046,400 token di testo
Risposte
FoldFlow — domande comuni
FoldFlow— 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.
FoldFlow— 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.
FoldFlow— 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.
FoldFlow— chi l'ha creato?
È stato pubblicato da McGill University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),Dreamfold,University of Montreal / Université de Montréal,University of Oxford, basato su Canada, un'organizzazione categorizzata come academia,Academia,Industry,Academia,Academia.
FoldFlow— 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.
FoldFlow— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein generation. 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.
FoldFlow— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.1 × 10²⁰ 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.