Profile Prediction
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
- University of Washington,Salesforce Research
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America
- Pubblicato
- 1 December 2020
- Autori
- Pascal Sturmfels, Jesse Vig, Ali Madani, Nazneen Fatema Rajani
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein or nucleotide language model (pLM/nLM), Proteins
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
32 million sequences × 250 residues/sequence = 8 billion data points [32 × 10^6 × 250 = 8 × 10^9]
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 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
1. Hardware setup: 8x NVIDIA Tesla V100 GPUs (130 TFLOP/s each) 2. Training duration: 2 weeks (1.2e+6 seconds) - directly provided 3. Utilization rate: 40% 4. Final calculation: 8 GPUs × 1.30e+14 FLOP/s × 1.2e+6 seconds × 0.4 utilization = 5.0e+20 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 V100
- Chip utilizzati
- 8
- Consumo energetico
- 4.9 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
- 27
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Profile Prediction: An Alignment-Based Pre-Training Task for Protein Sequence Models
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
Profile Prediction è stato pubblicato da University of Washington,Salesforce Research, nel paese registrato come United States of America, durante December 2020. La categoria sotto cui rientra l'editore è academia,Industry.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein or nucleotide language model (pLM/nLM), Proteins.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 5 × 10²⁰ FLOP, su hardware registrato come NVIDIA V100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
Profile Prediction — domande comuni
Profile Prediction— quando è stato rilasciato?
È stato pubblicato in December 2020. 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.
Profile Prediction— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein or nucleotide language model (pLM/nLM), Proteins. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Profile Prediction— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 5 × 10²⁰ FLOP, su hardware registrato come NVIDIA V100. 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.
Profile Prediction— 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.
Profile Prediction— 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.
Profile Prediction— 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.
Profile Prediction— chi l'ha creato?
È stato pubblicato da University of Washington,Salesforce Research, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
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.