PMLM-large
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
- Microsoft Research Asia,Nanyang Technological University,Xi’an Jiaotong University,Sun Yat-sen University
- Organisatietype
- Industry,Academia,Academia,Academia
- Land
- China, Singapore
- Gepubliceerd
- 21 October 2021
- Auteurs
- Liang He, Shizhuo Zhang, Lijun Wu, Huanhuan Xia, Fusong Ju, He Zhang, Siyuan Liu, Yingce Xia, Jianwei Zhu, Pan Deng, Bin Shao, Tao Qin, Tie-Yan Liu
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)
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
- 250M
- Training gegevens
- tokens
"Following the RoBERTa-base setting, the hidden size, feed forward dimension, number of encoder layers, and attention heads of the base models are set as 768, 3072, 12, 12 re- spectively (denoted as MLM-base for MLM and PMLM-base for PMLM). A larger model named PMLM-large is pre-trained with the same setting except using 34 as the number of encoder layers."
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
- 3.8 × 10²¹ FLOP
- Hoe het werd opgericht
- Hardware
1176*60*60*125000000000000*24*0.3=3.81024e+21
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA V100
- Gebruikte chips
- 24
- Kloktijd
- 1,176 hours (49 days)
- Stroomverbruik
- 14.5 kW
"about seven weeks for PMLM-large"
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
- 36
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Pre-Training Co-Evolutionary Protein Representation via a Pairwise Masked Language Model
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
PMLM-large werd gepubliceerd door Microsoft Research Asia,Nanyang Technological University,Xi’an Jiaotong University,Sun Yat-sen University, in het land geregistreerd als China, tijdens October 2021. De categorie waaronder de uitgever valt is industry,Academia,Academia,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).
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Wat erin ging zitten om het te bouwen
De training run verbruikte ongeveer 3.8 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA V100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
PMLM-large — veelgestelde vragen
PMLM-large— 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.
PMLM-large— 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.
PMLM-large— hoeveel parameters heeft het?
Het heeft een parameter telling van 250M. "Following the RoBERTa-base setting, the hidden size, feed forward dimension, number of encoder layers, and attention heads of the base models are set as 768, 3072, 12, 12 re- spectively (denoted as MLM-base for MLM and PMLM-base for PMLM). A larger model named PMLM-large is pre-trained with the same setting except using 34 as the number of encoder layers.". 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.
PMLM-large— wie heeft het gemaakt?
Het werd gepubliceerd door Microsoft Research Asia,Nanyang Technological University,Xi’an Jiaotong University,Sun Yat-sen University, gebaseerd op China, een organisatie geclassificeerd als industry,Academia,Academia,Academia.
PMLM-large— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
PMLM-large— 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). Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
PMLM-large— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.8 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA V100. 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.