RoBERTa (PFAM)
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
- IBM Research,ETH Zurich
- Organisatietype
- Industry,Academia
- Land
- United States of America, Switzerland
- Gepubliceerd
- 5 December 2020
- Auteurs
- Modestas Filipavicius, Matteo Manica, Joris Cadow, Maria Rodriguez Martinez
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.
- Training gegevens
- tokens
- Epochs
- 2
31M sequences with an estiamted length of 300: 31M*300=9300000000
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
- 1.2 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Operation counting
1. Hardware: 4x NVIDIA Tesla P100 SXM2 GPUs (18.7 TFLOP/s per GPU in FP16) The architecture is based on Bert-base, with 110M parameters 6*9300000000*2*110000000=1.2276e+19
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA P100
- Gebruikte chips
- 4
- Stroomverbruik
- 2.0 kW
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
MIT license https://github.com/PaccMann/paccmann_proteomics
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
- Likely
- Citaties
- 19
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Pre-training Protein Language Models with Label-Agnostic Binding Pairs Enhances Performance in Downstream Tasks
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Over dit model
RoBERTa (PFAM) werd gepubliceerd door IBM Research,ETH Zurich, in het land geregistreerd als United States of America, tijdens December 2020. 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 or nucleotide language model (pLM/nLM).
De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is.
Training en herkomst
De training run verbruikte ongeveer 1.2 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA P100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
RoBERTa (PFAM) — veelgestelde vragen
RoBERTa (PFAM)— wie heeft het gemaakt?
Het werd gepubliceerd door IBM Research,ETH Zurich, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
RoBERTa (PFAM)— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
RoBERTa (PFAM)— 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.
RoBERTa (PFAM)— 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.
RoBERTa (PFAM)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.2 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA P100. 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.
RoBERTa (PFAM)— 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.
RoBERTa (PFAM)— 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.
RoBERTa (PFAM)— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
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.