CaLM
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
- University of Oxford
- Organisatietype
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 19 December 2022
- Auteurs
- Carlos Outeiral, Charlotte M. Deane
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein or nucleotide language model (pLM/nLM), Protein embedding, Protein property prediction, Protein localization prediction
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
- 86M
- Training gegevens
- 2,523,746,560 tokens
- Epochs
- 14
"We trained a large language model with 86M parameters"
"a dataset of 9M non-redundant and diverse cDNA sequences identified from whole-genome sequencing" "Gradients were accumulated to an effective batch size of 1,000 examples, or approximately 256,000 tokens. " 9000000*256000/1000=2304000000 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
- 2.9 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Hardware,Operation counting
"4 NVIDIA Quadro RTX4000 GPUs for 40 days" Calculation assuming FP32, utilization 30%: = (40 * 24 * 3600) s * 7.1e12 FLOP/s * 0.3 * 4 GPU = 2.999808e+19 alternative calculation: "Gradients were accumulated to an effective batch size of 1,000 examples, or approximately 256,000 tokens. " "(66,000 gradient steps, 14 full epochs)" 256000*66000*14*86000000*6=1.220567e+20
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Quadro RTX 4000
- Gebruikte chips
- 4
- Chip-uren
- 3,840
- Kloktijd
- 960 hours (40 days)
- Stroomverbruik
- 1.3 kW
"The model reported in this work was trained on 4 NVIDIA Quadro RTX4000 GPUs for 40 days (66,000 gradient steps, 14 full epochs)"
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
- Open source
BSD-3-Clause license https://github.com/oxpig/CaLM
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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Likely
- Citaties
- 34
not absolute SOTA, SOTA among similar size models "We show that large language models trained on codons, instead of amino acid sequences, provide high-quality representations that outperform comparable state-of-the-art models across a variety of tasks. In some tasks, like species recognition, prediction of protein and transcript abundance, or melting point estimation, we show that a language model trained on codons outperforms every other published protein language model, including some that co…
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Codon language embeddings provide strong signals for protein engineering
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Wat dit model is
CaLM werd gepubliceerd door University of Oxford, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens December 2022. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein or nucleotide language model (pLM/nLM), Protein embedding, Protein property prediction, Protein localization prediction.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
De training run verbruikte ongeveer 2.9 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA Quadro RTX 4000. 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 2,523,746,560 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
CaLM — veelgestelde vragen
CaLM— wie heeft het gemaakt?
Het werd gepubliceerd door University of Oxford, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als academia.
CaLM— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
CaLM— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein or nucleotide language model (pLM/nLM), Protein embedding, Protein property prediction, Protein localization prediction. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
CaLM— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.9 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA Quadro RTX 4000. 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.
CaLM— 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.
CaLM— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
CaLM— hoeveel parameters heeft het?
Het heeft een parameter telling van 86M. "We trained a large language model with 86M 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.
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.