ProtBERT-UniRef
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
- Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology
- Tipo di organizzazione
- Academia,Industry,Academia,Industry,Government
- Paese
- Germany, United States of America, Korea (Republic of), China
- Pubblicato
- 4 May 2021
- Autori
- Ahmed Elnaggar, Michael Heinzinger, Christian Dallago, Ghalia Rehawi, Yu Wang, Llion Jones, Tom Gibbs, Tamas Feher, Christoph Angerer, Martin Steinegger, Debsindhu Bhowmik, Burkhard Rost
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Proteins, 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
- 420M
- Dati di addestramento
- tokens
Table 2
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
- 7.3 × 10²¹ FLOP
Table 2, two stages with different sequence lengths Stage 1: 300k steps, sequence length 512, batch size 15360 Stage 2: 100k steps, sequence length 2048, batch size 2560 6ND formula Stage 1: 6*300000*15360*512*420000000=5.9454259e+21 Stage 2: 6*100000*2560*2048*420000000=1.3212058e+21 Total: 7.2666317e+21
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
- Google TPU v3
- Chip utilizzati
- 512
- Consumo energetico
- 466.5 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
- 5
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- ProtTrans:Towards Cracking the Language of Life's Code Through Self-Supervised Learning
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
ProtBERT-UniRef è stato pubblicato da Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, nel paese registrato come Germany, durante May 2021. Esce da un'organizzazione categorizzata come academia,Industry,Academia,Industry,Government.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di proteins, Protein or nucleotide language model (pLM/nLM).
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
Il run di addestramento ha consumato circa 7.3 × 10²¹ FLOP, su hardware registrato come Google TPU v3. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
ProtBERT-UniRef — domande comuni
ProtBERT-UniRef— quando è stato rilasciato?
È stato pubblicato in May 2021. 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.
ProtBERT-UniRef— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di proteins, Protein or nucleotide language model (pLM/nLM). 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.
ProtBERT-UniRef— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.3 × 10²¹ FLOP, su hardware registrato come Google TPU v3. 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.
ProtBERT-UniRef— 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.
ProtBERT-UniRef— 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.
ProtBERT-UniRef— quanti parametri ha?
Ha un numero di parametri di 420M. Table 2. 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.
ProtBERT-UniRef— chi l'ha creato?
È stato pubblicato da Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, basato su Germany, un'organizzazione categorizzata come academia,Industry,Academia,Industry,Government.
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.