ProteinDT
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 California (UC) Berkeley,California Institute of Technology,University of Toronto,University of Wisconsin Madison,Texas A&M,NVIDIA,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms)
- Tipo di organizzazione
- Academia,Academia,Academia,Academia,Academia,Industry,Academia
- Paese
- United States of America, Canada
- Pubblicato
- 9 February 2023
- Autori
- Shengchao Liu, Yanjing Li, Zhuoxinran Li, Anthony Gitter, Yutao Zhu, Jiarui Lu, Zhao Xu, Weili Nie, Arvind Ramanathan, Chaowei Xiao, Jian Tang, Hongyu Guo, and Anima Anandkumar
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology, Language
- Compito
- Proteins, Protein representation learning, Protein generation, Protein design
- Modello di base
- SciBERT
- Formato numerico
- FP16
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
- 132,303,900 tokens
Total amino acids: 197,000,000 residues Final calculation: 1.97 × 10⁸ datapoints Value = 197,000,000 = 1.97e8
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 license https://github.com/chao1224/ProteinDT
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
- Likely
"Compared to six state-of-the-art protein sequence representation methods, ProteinDT can obtain consistently superior performance on four of six benchmark tasks."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- A Text-guided Protein Design Framework
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
ProteinDT è stato pubblicato da University of California (UC) Berkeley,California Institute of Technology,University of Toronto,University of Wisconsin Madison,Texas A&M,NVIDIA,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), nel paese registrato come United States of America, durante February 2023. La categoria sotto cui rientra l'editore è academia,Academia,Academia,Academia,Academia,Industry,Academia.
Funziona nel dominio di Biology, Language, ed è registrato come eseguire il compito di proteins, Protein representation learning, Protein generation, Protein design.
Invece di essere addestrato da zero, è derivato da SciBERT. Quello è il modo abituale in cui viene prodotto un modello specializzato.
I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.
Come è stato addestrato
Il set di addestramento si aggirava attorno a 132,303,900 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
ProteinDT — domande comuni
ProteinDT— 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.
ProteinDT— 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.
ProteinDT— 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.
ProteinDT— chi l'ha creato?
È stato pubblicato da University of California (UC) Berkeley,California Institute of Technology,University of Toronto,University of Wisconsin Madison,Texas A&M,NVIDIA,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), basato su United States of America, un'organizzazione categorizzata come academia,Academia,Academia,Academia,Academia,Industry,Academia.
ProteinDT— quando è stato rilasciato?
È stato pubblicato in February 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.
ProteinDT— A cosa serve?
Funziona nel dominio di Biology, Language, e viene registrato come gestire il compito di proteins, Protein representation learning, Protein generation, 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.
ProteinDT— 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.
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.