IgGM
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten van dit model zijn openbaar, maar er is geen parameter count voor gepubliceerd. Elk geheugen- en snelheidsgetal begint bij dat nummer, dus laten we liever niets zien dan een verzonnen schatting.
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
- Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent
- Organisatie type
- Academia,Academia,Industry
- Land
- China
- Gepubliceerd
- 22 September 2024
- Auteurs
- Rubo Wang, Fandi Wu, Xingyu Gao, Jiaxiang Wu, Peilin Zhao, Jianhua Yao
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Biology
- Taak
- Protein design
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
- 15,506,880 tokens
Complexes: 6,448 + 1,907 = 8,355 Amino acids per complex: 450 + 350 + 300 = 1,100 Total amino acids: 8,355 * 1,100 = 9,190,500
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
- 8.6 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
1. Hardware setup: 8x NVIDIA A100 SXM4 80GB GPUs, 3.12e14 FLOP/s per GPU 2. Training duration: Directly provided as 10 days = 864,000 seconds 3. Utilization rate: 40% 4. Final calculation: 3.12e14 FLOP/s × 864,000s × 0.4 × 8 GPUs = 8.6e20 FLOPs
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het net trok.
- Trainingshardware
- NVIDIA A100
- Chips used
- 8
- Wall-clock time
- 240 hours (10 days)
- Energieverbruik
- 6.3 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
- Model toegang
- Open weights (non-commercial)
- Trainingscode
- Unreleased
PolyForm Noncommercial License 1.0.0 https://github.com/TencentAI4S/IgGM?tab=readme-ov-file
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
- Likely
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- IgGM: A Generative Model for Functional Antibody and Nanobody Design
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
IgGM was published by Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent, in China, in September 2024. It comes out of academia,Academia,Industry.
It works in Biology, and is recorded as doing protein design.
Gepubliceerde gewichten betekenen dat het model op jouw machine draait in plaats van op die van iemand anders, wat maakt dat de hardwarevraag hieronder überhaupt te beantwoorden is.
Hoe het was getraind
The training run consumed about 8.6 × 10²⁰ FLOP, on NVIDIA A100. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Around 15,506,880 tokens went into training it.
Antwoorden
IgGM — Veelgestelde vragen
Who created IgGM?
IgGM was published by Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent, based in China, categorised as academia,Academia,Industry.
When was IgGM released?
IgGM was published in September 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
Waarvoor wordt IgGM gebruikt?
IgGM works in Biology, and is recorded as handling protein design. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
Where can I download IgGM?
The weights for IgGM are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train IgGM?
Around 8.6 × 10²⁰ FLOP, on NVIDIA A100. 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 IgGM?
We cannot say. IgGM has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is IgGM open source?
Its weights are published, so IgGM can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does IgGM have?
No parameter count has been published for IgGM, which is why no memory or speed figure appears on this page.
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.