PoET
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
- OpenProtein.ai
- Tipo di organizzazione
- Industry
- Paese
- Singapore
- Pubblicato
- 9 June 2023
- Autori
- Timothy F. Truong Jr, Tristan Bepler
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein generation, Protein or nucleotide language model (pLM/nLM)
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
- 57M
- Dati di addestramento
- tokens
29,000,000 sets * 10 sequences/set = 290,000,000 sequences Tokens per sequence = 300 amino acids + 2 tokens = 302 tokens Total tokens = 290,000,000 sequences * 302 tokens/sequence = 87,580,000,000 Final result: 8.758 × 10¹⁰ datapoints
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
- 2.3 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
1. Hardware setup: 7x NVIDIA A100 GPUs, 3.12e14 FLOP/s per GPU 2. Training duration: 3 days = 259,200 seconds (directly provided) 3. Utilization rate: 40% (default assumption) 4. Calculation: 3.12e14 FLOP/s × 7 GPUs × 259,200s × 0.4 = 2.3e20 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
- 7
- Tempo di parete
- 72 hours
- Consumo energetico
- 5.6 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
- 83
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- PoET: A generative model of protein families as sequences-of-sequences
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
PoET è stato pubblicato da OpenProtein.ai, nel paese registrato come Singapore, durante June 2023. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein generation, Protein or nucleotide language model (pLM/nLM).
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 2.3 × 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.
Risposte
PoET — domande comuni
PoET— chi l'ha creato?
È stato pubblicato da OpenProtein.ai, basato su Singapore, un'organizzazione categorizzata come industry.
PoET— quando è stato rilasciato?
È stato pubblicato in June 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.
PoET— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein generation, Protein or nucleotide language model (pLM/nLM). I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
PoET— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.3 × 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.
PoET— 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.
PoET— 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.
PoET— quanti parametri ha?
Ha un numero di parametri di 57M. 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.
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.