ProteinChat
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 California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)
- Organisatietype
- Academia,Industry,Academia
- Land
- United States of America, China, United Arab Emirates
- Gepubliceerd
- 10 October 2024
- Auteurs
- Mingjia Huo, Han Guo, Xingyi Cheng, Digvijay Singh, Hamidreza Rahmani, Shen Li, Philipp Gerlof, Trey Ideker, Danielle A. Grotjahn, Elizabeth Villa, Le Song, Pengtao Xie
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein function prediction
- Basis model
- xTrimoPGLM - 1B,Vicuna-13B v0
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
- 14B
- Training gegevens
- tokens
"We utilized xTrimoPGLM (27), a state-of-the-art protein language model, as the protein encoder, and Vicuna- 13B (25), fine-tuned from Llama-2 (21), as the LLM of ProteinChat."
Assuming average protein length of 300 tokens (600 is the maximum length), 20 tokens for the prompt and 50 tokens for the answer. 1500000 examples * (300 tokens per protein + 70 prompt tokens) * 0.9 training split =499500000
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.
- Hoe het werd opgericht
- Hardware
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
- 8
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Multi-Modal Large Language Model Enables Protein Function Prediction
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Achtergrond
ProteinChat werd gepubliceerd door University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), in het land geregistreerd als United States of America, tijdens October 2024. Het komt uit een organisatie gecategoriseerd als academia,Industry,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein function prediction.
Het startpunt was een bestaand basismodel, xTrimoPGLM - 1B,Vicuna-13B v0. De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Antwoorden
ProteinChat — veelgestelde vragen
ProteinChat— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein function prediction. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
ProteinChat— 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.
ProteinChat— 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.
ProteinChat— hoeveel parameters heeft het?
Het heeft een parameter telling van 14B. "We utilized xTrimoPGLM (27), a state-of-the-art protein language model, as the protein encoder, and Vicuna- 13B (25), fine-tuned from Llama-2 (21), as the LLM of ProteinChat.". 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.
ProteinChat— wie heeft het gemaakt?
Het werd gepubliceerd door University of California San Diego,BioMap Research,The Scripps Research Institute,Mohamed bin Zayed University of Artificial Intelligence (MBZUAI), gebaseerd op United States of America, een organisatie geclassificeerd als academia,Industry,Academia.
ProteinChat— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.