PLTNUM
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
- Kyoto University,National Institute of Biomedical Innovation,RIKEN
- Tipo di organizzazione
- Academia,Government
- Paese
- Japan
- Pubblicato
- 14 September 2024
- Autori
- Tatsuya Sagawa, Eisuke Kanao, Kosuke Ogata, Koshi Imami, Yasushi Ishihama
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein property prediction
- Modello di base
- SaProt
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
- 650M
- Dati di addestramento
- tokens
- Epoche
- 10
Total Datapoints = Number of Proteins × Sequence Length Total Datapoints = 4,162 × 510 = 2,122,620 tokens Final result ≈ 2.1 × 10^6 tokens
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Prediction of Protein Half-lives from Amino Acid Sequences by Protein Language Models
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
PLTNUM è stato pubblicato da Kyoto University,National Institute of Biomedical Innovation,RIKEN, nel paese registrato come Japan, durante September 2024. La categoria sotto cui rientra l'editore è academia,Government.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein property prediction.
Invece di essere addestrato da zero, è derivato da SaProt. Quello è il modo abituale in cui viene prodotto un modello specializzato.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Risposte
PLTNUM — domande comuni
PLTNUM— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein property prediction. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
PLTNUM— 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.
PLTNUM— 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.
PLTNUM— quanti parametri ha?
Ha un numero di parametri di 650M. 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.
PLTNUM— chi l'ha creato?
È stato pubblicato da Kyoto University,National Institute of Biomedical Innovation,RIKEN, basato su Japan, un'organizzazione categorizzata come academia,Government.
PLTNUM— quando è stato rilasciato?
È stato pubblicato in September 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.