AminoAcid-0
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
- Ginkgo Bioworks
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 17 September 2024
- Autori
- Zachary Kurtz, Matt Chamberlin, Eric Danielson, Alex Carlin, Michal Jastrzebski, Dana Merrick, Dmitriy Ryaboy, Emily Wrenbeck, Ankit Gupta
Cosa fa
Le aree problematiche per cui è stato costruito il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein or nucleotide language model (pLM/nLM)
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
"Here we investigated the impact of training data on the performance of a protein sequence LLM. We supplemented the ~60M UniRef50 sequence clusters used to train ESM-2 with an additional 112M clusters from the Ginkgo UMDB." Assuming 1 protein per cluster and 300 amino acid tokens per protein. Prediction targets: 172000000 * 300 = 51600000000
Disponibilità
Se puoi ottenere il modello e eseguirlo sul tuo hardware, il che decide se una delle cifre della scheda grafica su questa pagina si applica.
- Pesi
- Closed — provider access only
- Accesso al modello
- API access
- Codice di addestramento
- Unreleased
API: https://ai.ginkgo.bio/resources/blog/ginkgo-model-api-ai-research
Come è classificato
Etichette che il dataset sorgente applica quando si monitorano modelli notevoli e quanto è fiducioso nell'entry.
- Registrare fiducia
- Likely
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- A Protein Sequence LLM Trained on 2 Billion Proprietary Sequences
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
AminoAcid-0 was published by Ginkgo Bioworks, in United States of America, in September 2024. The organisation is categorised as industry.
It works in Biology, and is recorded as doing protein or nucleotide language model (pLM/nLM).
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Risposte
AminoAcid-0 — Domande frequenti
What is AminoAcid-0 used for?
AminoAcid-0 works in Biology, and is recorded as handling protein or nucleotide language model (pLM/nLM). These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run AminoAcid-0?
None. AminoAcid-0 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 AminoAcid-0 open source?
No. AminoAcid-0 has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does AminoAcid-0 have?
No parameter count has been published for AminoAcid-0, which is why no memory or speed figure appears on this page.
Who created AminoAcid-0?
AminoAcid-0 was published by Ginkgo Bioworks, based in United States of America, categorised as industry.
When was AminoAcid-0 released?
AminoAcid-0 was published in September 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
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.