FoldFlow2
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford
- Organisatietype
- Industry,Academia,Academia,Academia
- Land
- Canada, United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 30 May 2024
- Auteurs
- Guillaume Huguet, James Vuckovic, Kilian Fatras, Eric Thibodeau-Laufer, Pablo Lemos, Riashat Islam, Cheng-Hao Liu, Jarrid Rector-Brooks, Tara Akhound-Sadegh, Michael Bronstein, Alexander Tong, Avishek Joey Bose
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein generation, Protein design
- Basis model
- ESM2-650M
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- 48,000,000 tokens
Average protein length = (60 + 384) / 2 = 222 residues Total datapoints = 160,000 structures × 222 residues = 35,520,000
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 7.6 × 10²¹ FLOP
- Hoe het werd opgericht
- Hardware
1. Hardware setup: 2x NVIDIA A100 40GB GPUs (3.12 x 10^14 FLOP/s per GPU) 2. Training duration: 4 days (directly provided) = 345,600 seconds 3. Utilization rate: 40% 4. Calculation: 2 GPUs × 3.12×10^14 FLOP/s × 345,600s × 0.4 = 8.6×10^19 FLOPs Base model: 7.560000000001e+21 Total: 7646000000001000000000
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A100
- Gebruikte chips
- 2
- Kloktijd
- 96 hours
- Stroomverbruik
- 1.6 kW
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Open — downloadable
- Toegang tot model
- Open weights (non-commercial)
- Training code
- Open (non-commercial)
CC NC 4.0 https://github.com/DreamFold/FoldFlow weights https://github.com/DreamFold/FoldFlow/releases/tag/0.2.0
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
- Citaties
- 49
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
FoldFlow2 werd gepubliceerd door Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, in het land geregistreerd als Canada, tijdens May 2024. De categorie waaronder de uitgever valt is industry,Academia,Academia,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein generation, Protein design.
Het startpunt was een bestaand basismodel, ESM2-650M. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
Omdat de gewichten zijn vrijgegeven, hangt niets over het uitvoeren ervan af van een leverancier die beschikbaar blijft — het is van jou zodra het is gedownload.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 7.6 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA A100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 48,000,000 tekstokens
Antwoorden
FoldFlow2 — veelgestelde vragen
FoldFlow2— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein generation, Protein design. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
FoldFlow2— waar kan ik het downloaden?
De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.
FoldFlow2— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 7.6 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA A100. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
FoldFlow2— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
FoldFlow2— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
FoldFlow2— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
FoldFlow2— wie heeft het gemaakt?
Het werd gepubliceerd door Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, gebaseerd op Canada, een organisatie geclassificeerd als industry,Academia,Academia,Academia.
FoldFlow2— wanneer is het uitgebracht?
Het werd gepubliceerd in May 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.