GPT-MolBERTa
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
- Carnegie Mellon University (CMU)
- Organisatie type
- Academia
- Land
- United States of America
- Gepubliceerd
- 20 September 2023
- Auteurs
- Suryanarayanan Balaji, Rishikesh Magar, Yayati Jadhav, Amir Barati Farimani
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Biology
- Taak
- Molecular property 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
- 9,780,000 tokens
326,000 molecules × 100 tokens/molecule = 32,600,000 (3.26e7) total tokens
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
- Open source
The Python code and datasets used in this study can be accessed on GitHub using the following link: https://github.com/Suryanarayanan-Balaji/GPT-MolBERTa MIT license
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
- 25
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- GPT-MolBERTa: GPT Molecular Features Language Model for molecular property prediction
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
GPT-MolBERTa was published by Carnegie Mellon University (CMU), in United States of America, in September 2023. academia is the category the publisher falls under.
It works in Biology, and is recorded as doing molecular property prediction.
De open gewichten zijn wat deze pagina in de calculator plaatst in plaats van alleen in de catalogus: het is een model dat je daadwerkelijk kunt vasthouden.
Training en afkomst
It was trained on about 9,780,000 tokens of text.
Antwoorden
GPT-MolBERTa — Veelgestelde vragen
Where can I download GPT-MolBERTa?
The weights for GPT-MolBERTa are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
What GPU do I need to run GPT-MolBERTa?
We cannot say. GPT-MolBERTa 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 GPT-MolBERTa open source?
Its weights are published, so GPT-MolBERTa 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 GPT-MolBERTa have?
No parameter count has been published for GPT-MolBERTa, which is why no memory or speed figure appears on this page.
Who created GPT-MolBERTa?
GPT-MolBERTa was published by Carnegie Mellon University (CMU), based in United States of America, categorised as academia.
When was GPT-MolBERTa released?
GPT-MolBERTa was published in September 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is GPT-MolBERTa used for?
GPT-MolBERTa works in Biology, and is recorded as handling molecular property prediction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
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.