VespaG
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- Technical University of Munich,Sorbonne University,Institute for Advanced Study,Université Paris Cité,Institut Universitaire de France (IUF)
- Organisatie type
- Academia,Academia,Academia,Academia,Research collective
- Land
- Germany, France, United States of America
- Gepubliceerd
- 9 September 2024
- Auteurs
- Céline Marquet, Julius Schlensok, Marina Abakarova, Burkhard Rost, Elodie Laine
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Biology
- Taak
- Protein property prediction, Protein or nucleotide language model (pLM/nLM)
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Parameters
- 660K
- Opleidingsgegevens
- tokens
- Epochs
- 200
Total datapoints = 39,000,000 39,000,000 = 3.9 x 10^7 Final data estimate: 3.9e7
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Vereiste vertrouwen
- Confident
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- Expert-guided protein Language Models enable accurate and blazingly fast fitness prediction
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
VespaG was published by Technical University of Munich,Sorbonne University,Institute for Advanced Study,Université Paris Cité,Institut Universitaire de France (IUF), in Germany, in September 2024. It comes out of academia,Academia,Academia,Academia,Research collective.
It works in Biology, and is recorded as doing protein property prediction, Protein or nucleotide language model (pLM/nLM).
Omdat de gewichten niet beschikbaar zijn, zijn geen van de hardwarecijfers elders op deze site op dit van toepassing.
Antwoorden
VespaG — Veelgestelde vragen
What GPU do I need to run VespaG?
None. VespaG 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 VespaG open source?
The licensing for VespaG 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 VespaG have?
VespaG has 660K parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created VespaG?
VespaG was published by Technical University of Munich,Sorbonne University,Institute for Advanced Study,Université Paris Cité,Institut Universitaire de France (IUF), based in Germany, categorised as academia,Academia,Academia,Academia,Research collective.
When was VespaG released?
VespaG 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.
What is VespaG used for?
VespaG works in Biology, and is recorded as handling protein property prediction, Protein or nucleotide language model (pLM/nLM). Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.