DiffBindFR
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten van dit model zijn openbaar, maar er is geen parameter count voor gepubliceerd. Elk geheugen- en snelheidsgetal begint bij dat nummer, dus laten we liever niets zien dan een verzonnen schatting.
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
- Peking University,Tsinghua-Peiking Center for Life Sciences
- Organisatie type
- Academia,Research collective
- Land
- China
- Gepubliceerd
- 9 April 2024
- Auteurs
- Jintao Zhu, Zhonghui Gu, Jianfeng Pei, Luhua Lai
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Biology
- Taak
- Protein-ligand binding affinity prediction, Protein-ligand contact prediction
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.
- Opleidingsgegevens
- tokens
Data points = 16,739 training structures Note: Epochs (1000) not counted as we only consider unique data points 16,739 = 1.674e4
Training berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 4 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
1. Hardware setup: - Main model: 8× NVIDIA A800 GPUs (7.80×10¹³ FLOP/s per GPU) - MDN model: 4× NVIDIA Tesla V100-SXM2 GPUs (1.25×10¹⁴ FLOP/s per GPU) 2. Training duration (estimated from steps and step time): - Main model: 262,000 steps × 5s = 1.31×10⁶ seconds (~15 days) - MDN model: 65,000 steps × 5s = 3.25×10⁵ seconds (~3.76 days) 3. Utilization rate: 40% 4. Final calculation: Main: 8 GPUs × 7.80×10¹³ FLOP/s × 1.31×10⁶ s × 0.4 = 3.31×10²⁰ FLOPs MDN: 4 GPUs × 1.25×10¹⁴ FLOP/s × 3.25×10⁵ s ×…
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
- Model toegang
- Open weights (unrestricted)
- Trainingscode
- Unreleased
BSD-3-Clause-Clear license https://github.com/HBioquant/DiffBindFR
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
- Citaties
- 16
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- DiffBindFR: an SE(3) equivariant network for flexible protein–ligand docking
- Laatst bijgewerkt
- 1 December 2025
Wat de cijfers betekenen
Where it came from
DiffBindFR was published by Peking University,Tsinghua-Peiking Center for Life Sciences, in China, in April 2024. academia,Research collective is the category the publisher falls under.
It works in Biology, and is recorded as doing protein-ligand binding affinity prediction, Protein-ligand contact prediction.
Gepubliceerde gewichten betekenen dat het model op jouw machine draait in plaats van op die van iemand anders, wat maakt dat de hardwarevraag hieronder überhaupt te beantwoorden is.
Wat erin is gestopt om het te bouwen
Training it took roughly 4 × 10²⁰ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
Antwoorden
DiffBindFR — Veelgestelde vragen
What is DiffBindFR used for?
DiffBindFR works in Biology, and is recorded as handling protein-ligand binding affinity prediction, Protein-ligand contact prediction. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download DiffBindFR?
The weights for DiffBindFR are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train DiffBindFR?
Around 4 × 10²⁰ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DiffBindFR?
We cannot say. DiffBindFR has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is DiffBindFR open source?
Its weights are published, so DiffBindFR can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does DiffBindFR have?
No parameter count has been published for DiffBindFR, which is why no memory or speed figure appears on this page.
Who created DiffBindFR?
DiffBindFR was published by Peking University,Tsinghua-Peiking Center for Life Sciences, based in China, categorised as academia,Research collective.
When was DiffBindFR released?
DiffBindFR was published in April 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.
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.