AlphaFold 3
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
- Google DeepMind,Isomorphic Labs
- Organisatietype
- Industry,Industry
- Land
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 8 May 2024
- Auteurs
- Josh Abramson, Jonas Adler, Jack Dunger, Richard Evans, Tim Green, Alexander Pritzel, Olaf Ronneberger, Lindsay Willmore, Andrew J. Ballard, Joshua Bambrick, Sebastian W. Bodenstein, David A. Evans, Chia-Chun Hung, Michael O’Neill, David Reiman, Kathryn Tunyasuvunakool, Zachary Wu, Akvilė Žemgulytė, Eirini Arvaniti, Charles Beattie, Ottavia Bertolli, Alex Bridgland, Alexey Cherepanov, Miles Congre…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein folding prediction, Antibody property prediction, Protein-ligand contact prediction, RNA structure prediction, Protein interaction prediction
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
- 29,491,200,000 tokens
- Epochs
- 1
from https://www.biorxiv.org/content/10.1101/2024.11.19.624167v2.full.pdf "As a comparison AlphaFol3 trained a similar architecture for nearly 150k steps with a batch size of 256" from supplementary materials "The model is trained with a batch size of 256" 150000 steps * 256 sequences per batch * 384 tokens per batch [at initial training stage, Table 6, supplementary materials] = 14 745 600 000 tokens from supplementary materials Table 6 fine-tuning took exactly the same amount of GPU-hours -…
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
- 4.1 × 10²² FLOP
- Hoe het werd opgericht
- Hardware
256 GPUs * 480 hours [see training time notes] * 3600 sec / hour * 312000000000000 FLOP / GPU / sec * 0.3 [assumed utilization] = 4.1405645e+22 FLOP
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
- 256
- Kloktijd
- 480 hours (20 days)
- Stroomverbruik
- 202.3 kW
supplementary materials Table 6 20 days *24 hours = 480 hours
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
- Unreleased
Inference code CC-BY-NC-SA 4.0 weights - permissions given after approval (only non-commercial use) "AlphaFold 3 will be available as a non-commercial usage only server at https://www.alphafoldserver.com, with restrictions on allowed ligands and covalent modifications. Pseudocode describing the algorithms is available in the Supplementary Information. Code is not provided"
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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
Figure 4 + "we achieve a higher average performance than RoseTTAFold2NA and AIchemy_RNA27 (the best AI-based submission in CASP1518,31)" "Even so, AF3 greatly outperforms classical docking tools such as Vina37,38 even while not using any structural inputs (Fisher’s exact test, P = 2.27 × 10−13) and greatly outperforms all other true blind docking like RoseTTAFold All-Atom " also is on top of the CAMEO leaderboard https://cameo3d.org/
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Accurate structure prediction of biomolecular interactions with AlphaFold 3
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Waar het vandaan kwam
AlphaFold 3 werd gepubliceerd door Google DeepMind,Isomorphic Labs, in het land geregistreerd als United States of America, tijdens May 2024. De categorie waaronder de uitgever valt is industry,Industry.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein folding prediction, Antibody property prediction, Protein-ligand contact prediction, RNA structure prediction, Protein interaction prediction.
Het feit dat de gewichten open zijn, is wat deze pagina in de calculator plaatst in plaats van alleen in de catalogus: het is een model dat je daadwerkelijk kunt vasthouden.
Hoe het getraind werd
De training run verbruikte ongeveer 4.1 × 10²² 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.
De trainingsset liep naar ongeveer 29,491,200,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
AlphaFold 3 — veelgestelde vragen
AlphaFold 3— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein folding prediction, Antibody property prediction, Protein-ligand contact prediction, RNA structure prediction, Protein interaction prediction. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
AlphaFold 3— 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.
AlphaFold 3— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.1 × 10²² 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.
AlphaFold 3— 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.
AlphaFold 3— 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.
AlphaFold 3— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
AlphaFold 3— wie heeft het gemaakt?
Het werd gepubliceerd door Google DeepMind,Isomorphic Labs, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Industry.
AlphaFold 3— 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.