Uni-Mol Molecular Model
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
- Renmin University of China,DP Technology,AI for Science Institute, Beijing (AISI)
- Tipo di organizzazione
- Academia,Industry,Government
- Paese
- China
- Pubblicato
- 6 March 2023
- Autori
- Gengmo Zhou, Zhifeng Gao, Qiankun Ding, Hang Zheng, Hongteng Xu, Zhewei Wei, Linfeng Zhang, Guolin Ke
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Molecular representation learning, Molecular property prediction, Protein-ligand contact prediction, Drug discovery
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
- tokens
"a molecular model pretrained by 209M molecular conformations" Table 6: batch size 128 Max training steps 1M
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
- 5.4 × 10¹⁸ FLOP
- Come è stato stabilito
- Hardware
31330000000000 FLOP / sec / GPU [fp16 asssumed] * 8 GPUs * 20 hours * 3600 sec / hour * 0.3 [assumed utilization] = 5.413824e+18 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 Tesla V100 DGXS 32 GB
- Chip utilizzati
- 8
- Tempo di parete
- 20 hours
- Consumo energetico
- 4.0 kW
"Molecular pretraining runs on 8 V100 GPUs (32GB memory, the same below), and the training time is about 20 hours."
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
https://github.com/deepmodeling/Uni-Mol MIT license
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
- Uni-Mol: A Universal 3D Molecular Representation Learning Framework
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
Uni-Mol Molecular Model è stato pubblicato da Renmin University of China,DP Technology,AI for Science Institute, Beijing (AISI), nel paese registrato come China, durante March 2023. L'organizzazione di pubblicazione è classificata come academia,Industry,Government.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di molecular representation learning, Molecular property prediction, Protein-ligand contact prediction, Drug discovery.
Poiché i suoi pesi sono stati rilasciati, nulla sull'esecuzione dipende da un fornitore che rimane disponibile — è tuo una volta scaricato.
Addestramento e provenienza
Il run di addestramento ha consumato circa 5.4 × 10¹⁸ FLOP, su hardware registrato come NVIDIA Tesla V100 DGXS 32 GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
Uni-Mol Molecular Model — domande comuni
Uni-Mol Molecular Model— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di molecular representation learning, Molecular property prediction, Protein-ligand contact prediction, Drug discovery. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Uni-Mol Molecular Model— 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.
Uni-Mol Molecular Model— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 5.4 × 10¹⁸ FLOP, su hardware registrato come NVIDIA Tesla V100 DGXS 32 GB. 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.
Uni-Mol Molecular Model— 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.
Uni-Mol Molecular Model— 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.
Uni-Mol Molecular Model— 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.
Uni-Mol Molecular Model— chi l'ha creato?
È stato pubblicato da Renmin University of China,DP Technology,AI for Science Institute, Beijing (AISI), basato su China, un'organizzazione categorizzata come academia,Industry,Government.
Uni-Mol Molecular Model— quando è stato rilasciato?
È stato pubblicato in March 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.