SSA
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- Massachusetts Institute of Technology (MIT)
- Organisatie type
- Academia
- Land
- United States of America
- Gepubliceerd
- 22 February 2019
- Auteurs
- Tristan Bepler, Bonnie Berger
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Biology
- Taak
- Protein embedding
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Opleidingsgegevens
- tokens
Training berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 1.3 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Hardware
"All models were implemented in PyTorch and trained on a single NVIDIA Tesla V100 GPU. Each model took roughly 3 days to train and required 16 GB of GPU RAM" 1.3e+14*0.4*259200s=1.3e+19
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het net trok.
- Trainingshardware
- NVIDIA V100
- Chips used
- 1
- Wall-clock time
- 72 hours
- Energieverbruik
- 340 W
"Each model took roughly 3 days to train and required 16 GB of GPU RAM"
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Vereiste vertrouwen
- Confident
- Citations
- 344
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- Learning protein sequence embeddings using information from structure
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Background
SSA was published by Massachusetts Institute of Technology (MIT), in United States of America, in February 2019. It comes out of academia.
It works in Biology, and is recorded as doing protein embedding.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Hoe het was getraind
Training it took roughly 1.3 × 10¹⁹ FLOP of computation, on NVIDIA V100 — a measure of what producing the model cost, not of how fast it answers.
Antwoorden
SSA — Veelgestelde vragen
How much compute was used to train SSA?
Around 1.3 × 10¹⁹ FLOP, on NVIDIA V100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run SSA?
None. SSA is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is SSA open source?
The licensing for SSA was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does SSA have?
No parameter count has been published for SSA, which is why no memory or speed figure appears on this page.
Who created SSA?
SSA was published by Massachusetts Institute of Technology (MIT), based in United States of America, categorised as academia.
When was SSA released?
SSA was published in February 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is SSA used for?
SSA works in Biology, and is recorded as handling protein embedding. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.