ProLLaMA
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
- Peking University,Peng Cheng Laboratory
- Organisatietype
- Academia,Academia
- Land
- China
- Gepubliceerd
- 26 February 2024
- Auteurs
- Liuzhenghao Lv, Zongying Lin, Hao Li, Yuyang Liu, Jiaxi Cui, Calvin Yu-Chian Chen, Li Yuan, Yonghong Tian
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein question answering
- Basis model
- Llama 2-7B
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
- 7B
- Training gegevens
- tokens
52,807,283 sequences × 300 residues/sequence = 15,842,184,900 tokens ≈ 1.6 × 10^10 tokens
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
- 8.4 × 10²² FLOP
- Hoe het werd opgericht
- Hardware
1. Hardware setup: 8x NVIDIA RTX A6000 GPUs (3.87e13 FLOP/s per GPU) 2. Training duration: Provided directly - Stage 1: 6 days, Stage 2: 5 days (Total: 11 days = 950,400 seconds) 3. Utilization rate: 40% 4. Calculation: (8 GPUs × 3.87e13 FLOP/s/GPU) × 950,400 seconds × 0.4 utilization = 1.2e20 FLOPs (Stage 1: 1.603e20 + Stage 2: 1.338e20) × 0.4 = 1.2e20 FLOPs Base model: 8.4e+22 total : 84120000000000000000000
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA RTX A6000
- Gebruikte chips
- 8
- Kloktijd
- 264 hours (11 days)
- Stroomverbruik
- 4.7 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
- 84
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- ProLLaMA: A Protein Language Model for Multi-Task Protein Language Processing
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
ProLLaMA werd gepubliceerd door Peking University,Peng Cheng Laboratory, in het land geregistreerd als China, tijdens February 2024. De categorie waaronder de uitgever valt is academia,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein question answering.
Het bouwt voort op Llama 2-7B. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 8.4 × 10²² FLOP, op hardware vastgelegd als NVIDIA RTX A6000. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
ProLLaMA — veelgestelde vragen
ProLLaMA— hoeveel parameters heeft het?
Het heeft een parameter telling van 7B. 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.
ProLLaMA— wie heeft het gemaakt?
Het werd gepubliceerd door Peking University,Peng Cheng Laboratory, gebaseerd op China, een organisatie geclassificeerd als academia,Academia.
ProLLaMA— wanneer is het uitgebracht?
Het werd gepubliceerd in February 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
ProLLaMA— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein question answering. 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.
ProLLaMA— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 8.4 × 10²² FLOP, op hardware vastgelegd als NVIDIA RTX A6000. 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.
ProLLaMA— 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.
ProLLaMA— 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.
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.