SSA
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul vostro hardware a qualsiasi dimensione. È accessibile solo attraverso il suo fornitore, e nessuna scheda grafica può cambiare questo.
In registrazione
Specifiche complete
Tutto ciò che riguarda questo modello. La maggior parte delle informazioni descrive come è stato addestrato piuttosto che come viene eseguito — un contesto utile per valutare la quantità di lavoro impiegata e come si confronta con modelli realizzati su scala diversa.
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Massachusetts Institute of Technology (MIT)
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 22 February 2019
- Autori
- Tristan Bepler, Bonnie Berger
Cosa fa
Le aree problematiche per cui è stato costruito il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein embedding
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono il valore che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- tokens
Addestramento computazionale
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto costato l'addestramento, non di quanto velocemente il modello finito ti risponde.
- Addestramento computazionale
- 1.3 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
"All models were implemented in PyTorch and trained on a single NVIDIA Tesla V100 GPU. Each model took roughly 3 days to train and required 16 GB of GPU RAM" 1.3e+14*0.4*259200s=1.3e+19
Il training run
Cosa è stato fisicamente necessario per addestrare: quali chip, quanti, per quanto tempo e cosa ha richiesto dalla rete elettrica.
- Hardware di addestramento
- NVIDIA V100
- Chips used
- 1
- Tempo di orologio muro
- 72 hours
- Consumo energetico
- 340 W
"Each model took roughly 3 days to train and required 16 GB of GPU RAM"
Come è classificato
Etichette che il dataset sorgente applica quando si monitorano modelli notevoli e quanto è fiducioso nell'entry.
- Registrare fiducia
- Confident
- Citations
- 344
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Learning protein sequence embeddings using information from structure
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Background
SSA was published by Massachusetts Institute of Technology (MIT), in United States of America, in February 2019. It comes out of academia.
It works in Biology, and is recorded as doing protein embedding.
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
Training it took roughly 1.3 × 10¹⁹ FLOP of computation, on NVIDIA V100 — a measure of what producing the model cost, not of how fast it answers.
Risposte
SSA — Domande frequenti
How much compute was used to train SSA?
Around 1.3 × 10¹⁹ FLOP, on NVIDIA V100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run SSA?
None. SSA is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is SSA open source?
The licensing for SSA was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does SSA have?
No parameter count has been published for SSA, which is why no memory or speed figure appears on this page.
Who created SSA?
SSA was published by Massachusetts Institute of Technology (MIT), based in United States of America, categorised as academia.
When was SSA released?
SSA was published in February 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is SSA used for?
SSA works in Biology, and is recorded as handling protein embedding. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
L'altra direzione
Guardando la questione dall'altra parte?
Questa pagina inizia dal modello. Se possedete già una scheda e desiderate conoscere tutto ciò che può eseguire, inizia dall'hardware invece.