ProteinChat
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 California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)
- Tipo di organizzazione
- Academia,Industry,Academia
- Paese
- United States of America, China, United Arab Emirates
- Pubblicato
- 10 October 2024
- Autori
- Mingjia Huo, Han Guo, Xingyi Cheng, Digvijay Singh, Hamidreza Rahmani, Shen Li, Philipp Gerlof, Trey Ideker, Danielle A. Grotjahn, Elizabeth Villa, Le Song, Pengtao Xie
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein function prediction
- Modello di base
- xTrimoPGLM - 1B,Vicuna-13B v0
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
- 14B
- Dati di addestramento
- tokens
"We utilized xTrimoPGLM (27), a state-of-the-art protein language model, as the protein encoder, and Vicuna- 13B (25), fine-tuned from Llama-2 (21), as the LLM of ProteinChat."
Assuming average protein length of 300 tokens (600 is the maximum length), 20 tokens for the prompt and 50 tokens for the answer. 1500000 examples * (300 tokens per protein + 70 prompt tokens) * 0.9 training split =499500000
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.
- Come è stato stabilito
- Hardware
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 8
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Multi-Modal Large Language Model Enables Protein Function Prediction
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Sfondo
ProteinChat è stato pubblicato da University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), nel paese registrato come United States of America, durante October 2024. Esce da un'organizzazione categorizzata come academia,Industry,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein function prediction.
Il suo punto di partenza era un modello di base esistente, xTrimoPGLM - 1B,Vicuna-13B v0. La maggior parte dei modelli di questa scala sono adattati da una base esistente piuttosto che costruiti da zero.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Risposte
ProteinChat — domande comuni
ProteinChat— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein function prediction. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
ProteinChat— 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.
ProteinChat— 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.
ProteinChat— quanti parametri ha?
Ha un numero di parametri di 14B. "We utilized xTrimoPGLM (27), a state-of-the-art protein language model, as the protein encoder, and Vicuna- 13B (25), fine-tuned from Llama-2 (21), as the LLM of ProteinChat.". 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.
ProteinChat— chi l'ha creato?
È stato pubblicato da University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), basato su United States of America, un'organizzazione categorizzata come academia,Industry,Academia.
ProteinChat— quando è stato rilasciato?
È stato pubblicato in October 2024. 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.
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.