ProGen
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
- Salesforce Research,Stanford University
- Organisatietype
- Industry,Academia
- Land
- United States of America
- Gepubliceerd
- 13 March 2020
- Auteurs
- Ali Madani, Bryan McCann, Nikhil Naik, Nitish Shirish Keskar, Namrata Anand, Raphael R. Eguchi, View ORCID ProfilePo-Ssu Huang, Richard Socher
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein generation, Proteins, Protein or nucleotide language model (pLM/nLM)
- Aanpak
- Self-supervised learning
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
- 1.2B
- Training gegevens
- tokens
- Epochs
- 5
"We train a 1.2B-parameter language model, ProGen, on ∼280M protein sequences"
1,049B from Table 9 https://www.biorxiv.org/content/10.1101/2023.07.05.547496v1
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
- 3.7 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware,Third-party estimation
Our model was implemented in TensorFlow (Abadi et al., 2016) and trained with a global batch size of 64 distributed across 256 cores of a Cloud TPU v3 Pod for 1M iterations. Training took approximately two weeks using Adagrad (Duchi et al., 2011) 4.00E+12*256*60**2*24*14*0.3 = 3.7e20 7.6E+21 FLOPs from Table 9 https://www.biorxiv.org/content/10.1101/2023.07.05.547496v1
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
- 315
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- ProGen: Language Modeling for Protein Generation
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Wat dit model is
ProGen werd gepubliceerd door Salesforce Research,Stanford University, in het land geregistreerd als United States of America, tijdens March 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 generation, Proteins, Protein or nucleotide language model (pLM/nLM).
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 3.7 × 10²⁰ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
ProGen — veelgestelde vragen
ProGen— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
ProGen— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein generation, Proteins, 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.
ProGen— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.7 × 10²⁰ FLOP. 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.
ProGen— 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.
ProGen— 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.
ProGen— hoeveel parameters heeft het?
Het heeft een parameter telling van 1.2B. "We train a 1.2B-parameter language model, ProGen, on ∼280M protein sequences". 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.
ProGen— wie heeft het gemaakt?
Het werd gepubliceerd door Salesforce Research,Stanford University, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
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.