LLPS
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
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
- InstaDeep
- Organisatietype
- Industry
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 24 May 2024
- Auteurs
- Benoit Gaujac, Jérémie Donà, Liviu Copoiu, Timothy Atkinson, Thomas Pierrot, Thomas D. Barrett
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein or nucleotide language model (pLM/nLM)
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.
- parameters
- 344M
- Training gegevens
- 1,209,000,000 tokens
- Epochs
- 250
70 million total structural tokens = 310,000 protein structures x ~225 tokens/structure = 7.0 x 10^7 tokens
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- Google TPU v4
- Gebruikte chips
- 128
- Stroomverbruik
- 86.0 kW
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
- 17
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Learning the Language of Protein Structure
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
LLPS werd gepubliceerd door InstaDeep, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens May 2024. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein or nucleotide language model (pLM/nLM).
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Wat erin ging zitten om het te bouwen
Training verbruikte een corpus van ongeveer 1,209,000,000 tekstokens
Antwoorden
LLPS — veelgestelde vragen
LLPS— 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.
LLPS— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein or nucleotide language model (pLM/nLM). Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
LLPS— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
LLPS— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
LLPS— hoeveel parameters heeft het?
Het heeft een parameter telling van 344M. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
LLPS— wie heeft het gemaakt?
Het werd gepubliceerd door InstaDeep, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als industry.
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.