KeAP
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
- The University of Hong Kong,ByteDance,JancsiTech,OPPO HealthLab
- Tipo di organizzazione
- Academia,Industry,Industry,Industry
- Paese
- Hong Kong, China
- Pubblicato
- 30 January 2023
- Autori
- Hong-Yu Zhou, Yunxiang Fu, Zhicheng Zhang, Cheng Bian, Yizhou Yu
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Proteins, Protein representation learning
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
- 36,000,000 tokens
"ProteinKG25 (Zhang et al., 2022) provides a knowledge graph that consists of approximately five million triplets, with nearly 600k protein, 50k attribute terms, and 31 relation terms included" Assuming the relation and attribute terms are ~5 tokens and proteins are ~300 tokens 5000000*305=1525000000
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 11
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Protein Representation Learning via Knowledge Enhanced Primary Structure Modeling
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
KeAP è stato pubblicato da The University of Hong Kong,ByteDance,JancsiTech,OPPO HealthLab, nel paese registrato come Hong Kong, durante January 2023. Esce da un'organizzazione categorizzata come academia,Industry,Industry,Industry.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di proteins, Protein representation learning.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
Il set di addestramento si aggirava attorno a 36,000,000 token di testo
Risposte
KeAP — domande comuni
KeAP— 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.
KeAP— 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.
KeAP— chi l'ha creato?
È stato pubblicato da The University of Hong Kong,ByteDance,JancsiTech,OPPO HealthLab, basato su Hong Kong, un'organizzazione categorizzata come academia,Industry,Industry,Industry.
KeAP— quando è stato rilasciato?
È stato pubblicato in January 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.
KeAP— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di proteins, Protein representation learning. 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.
KeAP— 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.
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.