LM-Design
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
- ByteDance,University of Wisconsin Madison
- Organisatietype
- Industry,Academia
- Land
- China, United States of America
- Gepubliceerd
- 23 July 2023
- Auteurs
- Zaixiang Zheng, Yifan Deng, Dongyu Xue, Yi Zhou, Fei Ye, Quanquan Gu
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein design
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
- 6.9M
- Training gegevens
- 811,080 tokens
"That is because LMDESIGN has 6.9M parameters while ProteinMPNN+CMLM only has 1.6M parameters."
Total tokens = Number of Sequences × Average Sequence Length Total tokens = 50,000,000 × 300 = 1.5 × 10^10 tokens Final estimate: 1.5e10 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
- 1.4 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
1. Hardware setup: 8x NVIDIA V100 GPUs (1.25 x 10^14 FLOP/s per GPU) 2. Training duration: 4 days (345,600 seconds) - estimated based on 10 epochs over 50M sequences with 6000 residues per batch 3. Utilization rate: 40% 4. Final calculation: (1.25 x 10^14 FLOP/s/GPU × 8 GPUs) × 345,600 seconds × 0.4 = 1.4 x 10^20 FLOPs
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
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Unreleased
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
- 46
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Structure-informed Language Models Are Protein Designers
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
LM-Design werd gepubliceerd door ByteDance,University of Wisconsin Madison, in het land geregistreerd als China, tijdens July 2023. De publicerende organisatie is geclassificeerd als industry,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein design.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
De training run verbruikte ongeveer 1.4 × 10²⁰ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 811,080 tekstokens
Antwoorden
LM-Design — veelgestelde vragen
LM-Design— 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.
LM-Design— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
LM-Design— hoeveel parameters heeft het?
Het heeft een parameter telling van 6.9M. "That is because LMDESIGN has 6.9M parameters while ProteinMPNN+CMLM only has 1.6M parameters.". 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.
LM-Design— wie heeft het gemaakt?
Het werd gepubliceerd door ByteDance,University of Wisconsin Madison, gebaseerd op China, een organisatie geclassificeerd als industry,Academia.
LM-Design— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2023. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
LM-Design— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein design. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
LM-Design— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.4 × 10²⁰ FLOP. 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.
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.