PeTriBERT
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 Montpellier,BionomeeX
- Organisatietype
- Academia,Industry
- Land
- France
- Gepubliceerd
- 13 August 2022
- Auteurs
- Baldwin Dumortier, Antoine Liutkus, Clément Carré, Gabriel Krouk
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein generation
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
- 40M
- Training gegevens
- tokens
Training sequence data points = 290,000 proteins × 1,024 tokens/protein = 297,160,000 tokens (~2.97×10⁸)
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 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
1. Hardware setup: 8x NVIDIA Tesla V100 SXM2 32GB GPUs (1.25 x 10^14 FLOP/s per GPU) 2. Training duration: 70 hours (directly provided) = 252,000 seconds 3. Utilization rate: 40% 4. Final calculation: 1.25 x 10^14 FLOP/s/GPU × 8 GPUs × 252,000 seconds × 0.4 = 1.0 x 10^20 FLOPs
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
- 70 hours
- Stroomverbruik
- 4.0 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
- 14
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- PeTriBERT : Augmenting BERT with tridimensional encoding for inverse protein folding and design
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
PeTriBERT werd gepubliceerd door University of Montpellier,BionomeeX, in het land geregistreerd als France, tijdens August 2022. Het komt uit een organisatie gecategoriseerd als academia,Industry.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein generation.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Training en herkomst
Training kostte een rekensbudget van ongeveer 1 × 10²⁰ 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
PeTriBERT — veelgestelde vragen
PeTriBERT— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1 × 10²⁰ 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.
PeTriBERT— 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.
PeTriBERT— 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.
PeTriBERT— hoeveel parameters heeft het?
Het heeft een parameter telling van 40M. 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.
PeTriBERT— wie heeft het gemaakt?
Het werd gepubliceerd door University of Montpellier,BionomeeX, gebaseerd op France, een organisatie geclassificeerd als academia,Industry.
PeTriBERT— wanneer is het uitgebracht?
Het werd gepubliceerd in August 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
PeTriBERT— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
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.