IDPFold
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
- Shandong University,BioMap Research,Fuzhou University,Shanghai Jiao Tong University
- Tipo di organizzazione
- Academia,Industry,Academia,Academia
- Paese
- China
- Pubblicato
- 13 September 2024
- Autori
- Junjie Zhu, Zhengxin Li, Zhuoqi Zheng, Bo Zhang, Bozitao Zhong, Jie Bai, Xiaokun Hong, Taifeng Wang, Ting Wei, Jianyi Yang, Hai-Feng Chen
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein folding prediction
- Modello di base
- ESM2-650M
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
- 17.8M
- Dati di addestramento
- 30,928,500 tokens
Taken from Table 2
Initial Phase: 25,495 sequences × 200 residues = 5,099,000 points Second Phase: 3,880 sequences × 300 residues = 1,164,000 points Total: 5,099,000 + 1,164,000 = 6,263,000 points Rounded: 7.5 million data points
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
- 2.6 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
1. Hardware setup: 1x NVIDIA A100 GPU with 3.12×10¹⁴ FLOP/s (fp16_tensor) 2. Training duration: Directly provided as 24 GPU days (9 days initial + 15 days second phase) = 2.0736×10⁶ seconds 3. Utilization rate: 40% 4. Final calculation: 3.12×10¹⁴ FLOP/s × 1 GPU × 2.0736×10⁶ s × 0.4 = 2.6×10²⁰ FLOP
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 A100
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Precise Generation of Conformational Ensembles for Intrinsically Disordered Proteins via Fine-tuned Diffusion Models
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
IDPFold è stato pubblicato da Shandong University,BioMap Research,Fuzhou University,Shanghai Jiao Tong University, nel paese registrato come China, durante September 2024. La categoria sotto cui rientra l'editore è academia,Industry,Academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein folding prediction.
Il suo punto di partenza era un modello di base esistente, ESM2-650M. La maggior parte dei modelli di questa scala sono adattati da una base esistente piuttosto che costruiti da zero.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
Il run di addestramento ha consumato circa 2.6 × 10²⁰ FLOP, su hardware registrato come NVIDIA A100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 30,928,500 token di testo
Risposte
IDPFold — domande comuni
IDPFold— chi l'ha creato?
È stato pubblicato da Shandong University,BioMap Research,Fuzhou University,Shanghai Jiao Tong University, basato su China, un'organizzazione categorizzata come academia,Industry,Academia,Academia.
IDPFold— 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.
IDPFold— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein folding prediction. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
IDPFold— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.6 × 10²⁰ FLOP, su hardware registrato come NVIDIA A100. 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.
IDPFold— 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.
IDPFold— 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.
IDPFold— quanti parametri ha?
Ha un numero di parametri di 17.8M. Taken from Table 2. 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.
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.