DeepUrfold
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 Virginia
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 16 September 2024
- Auteurs
- Eli J. Draizen, Stella Veretnik, Cameron Mura, Philip E. Bourne
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein folding prediction
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
- 110M
- Training gegevens
- tokens
"Our final network has ≈ 110M parameters in total and all of the SF-level networks were trained for 30 epochs, using a batch size of 255"
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA RTX A6000
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
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Deep generative models of protein structure uncover distant relationships across a continuous fold space
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
DeepUrfold werd gepubliceerd door University of Virginia, in het land geregistreerd als United States of America, tijdens September 2024. De publicerende organisatie is geclassificeerd als academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein folding prediction.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Antwoorden
DeepUrfold — veelgestelde vragen
DeepUrfold— wie heeft het gemaakt?
Het werd gepubliceerd door University of Virginia, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
DeepUrfold— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
DeepUrfold— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein folding prediction. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
DeepUrfold— 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.
DeepUrfold— 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.
DeepUrfold— hoeveel parameters heeft het?
Het heeft een parameter telling van 110M. "Our final network has ≈ 110M parameters in total and all of the SF-level networks were trained for 30 epochs, using a batch size of 255". 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.
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.