ProSST
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
- Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology
- Organisatietype
- Academia,Academia,Academia
- Land
- China
- Gepubliceerd
- 17 May 2024
- Auteurs
- Mingchen Li, Pan Tan, Xinzhu Ma, Bozitao Zhong, Huiqun Yu, Ziyi Zhou, Wanli Ouyang, Bingxin Zhou, Liang Hong, Yang Tan
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
- 110M
- Training gegevens
- tokens
Explicitly denoted in Table 2
18.8M structures × 300 residues per structure = 5.64B data points ≈ 5.6B data points
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
- 6.5 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
"All ProSST models is trained on a DGX-A800 GPU (8×80G) server in BF16 precision for about a month." 8*77970000000000*0.4*1month=646714368000000000000
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A800 PCIe 40 GB
- Gebruikte chips
- 8
- Kloktijd
- 720 hours (30 days)
- Stroomverbruik
- 4.0 kW
"All ProSST models is trained [...] for about a month."
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
- 57
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- ProSST: Protein Language Modeling with Quantized Structure and Disentangled Attention
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Wat dit model is
ProSST werd gepubliceerd door Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology, in het land geregistreerd als China, tijdens May 2024. De publicerende organisatie is geclassificeerd als academia,Academia,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein or nucleotide language model (pLM/nLM).
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 6.5 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA A800 PCIe 40 GB. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
ProSST — veelgestelde vragen
ProSST— 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). Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
ProSST— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 6.5 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA A800 PCIe 40 GB. 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.
ProSST— 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.
ProSST— 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.
ProSST— hoeveel parameters heeft het?
Het heeft een parameter telling van 110M. Explicitly denoted in Table 2. 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.
ProSST— wie heeft het gemaakt?
Het werd gepubliceerd door Shanghai Jiao Tong University,Shanghai AI Lab,East China University of Science and Technology, gebaseerd op China, een organisatie geclassificeerd als academia,Academia,Academia.
ProSST— 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.