Uni-Mol Molecular Model
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
- Renmin University of China,DP Technology,AI for Science Institute, Beijing (AISI)
- Organisatietype
- Academia,Industry,Government
- Land
- China
- Gepubliceerd
- 6 March 2023
- Auteurs
- Gengmo Zhou, Zhifeng Gao, Qiankun Ding, Hang Zheng, Hongteng Xu, Zhewei Wei, Linfeng Zhang, Guolin Ke
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Molecular representation learning, Molecular property prediction, Protein-ligand contact prediction, Drug discovery
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
- tokens
"a molecular model pretrained by 209M molecular conformations" Table 6: batch size 128 Max training steps 1M
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
- 5.4 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Hardware
31330000000000 FLOP / sec / GPU [fp16 asssumed] * 8 GPUs * 20 hours * 3600 sec / hour * 0.3 [assumed utilization] = 5.413824e+18 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 Tesla V100 DGXS 32 GB
- Gebruikte chips
- 8
- Kloktijd
- 20 hours
- Stroomverbruik
- 4.0 kW
"Molecular pretraining runs on 8 V100 GPUs (32GB memory, the same below), and the training time is about 20 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 (unrestricted)
- Training code
- Open source
https://github.com/deepmodeling/Uni-Mol MIT license
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
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Uni-Mol: A Universal 3D Molecular Representation Learning Framework
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
Uni-Mol Molecular Model werd gepubliceerd door Renmin University of China,DP Technology,AI for Science Institute, Beijing (AISI), in het land geregistreerd als China, tijdens March 2023. De publicerende organisatie is geclassificeerd als academia,Industry,Government.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van molecular representation learning, Molecular property prediction, Protein-ligand contact prediction, Drug discovery.
Omdat de gewichten zijn vrijgegeven, hangt niets over het uitvoeren ervan af van een leverancier die beschikbaar blijft — het is van jou zodra het is gedownload.
Training en herkomst
De training run verbruikte ongeveer 5.4 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA Tesla V100 DGXS 32 GB. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
Uni-Mol Molecular Model — veelgestelde vragen
Uni-Mol Molecular Model— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van molecular representation learning, Molecular property prediction, Protein-ligand contact prediction, Drug discovery. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Uni-Mol Molecular Model— 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.
Uni-Mol Molecular Model— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 5.4 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA Tesla V100 DGXS 32 GB. 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.
Uni-Mol Molecular Model— 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.
Uni-Mol Molecular Model— 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.
Uni-Mol Molecular Model— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Uni-Mol Molecular Model— wie heeft het gemaakt?
Het werd gepubliceerd door Renmin University of China,DP Technology,AI for Science Institute, Beijing (AISI), gebaseerd op China, een organisatie geclassificeerd als academia,Industry,Government.
Uni-Mol Molecular Model— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2023. 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.