CPDiffusion
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Shanghai Jiao Tong University,University of New South Wales,University of Cambridge,Shanghai AI Lab
- Typ organizacji
- Academia,Academia,Academia,Academia
- Kraj
- China, Australia, United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 10 September 2024
- Autorzy
- Bingxin Zhou, Lirong Zheng, Banghao Wu, Kai Yi, Bozitao Zhong, Yang Tan, Qian Liu, Pietro Liò, Liang Hong
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Protein design
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 4M
- Dane treningowe
- 6,207,900 tokens
CPDiffusion trains a denoising diffusion model with 4 million learnable parameters from natural protein structures.
CATH: 20,000 × 250 = 5,000,000 pAgo: 694 × 800 = 555,200 Total: 5,000,000 + 555,200 = 5,555,200 ≈ 5.6 × 10^6 datapoints
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 1
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- A conditional protein diffusion model generates artificial programmable endonuclease sequences with enhanced activity
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
CPDiffusion został opublikowany przez Shanghai Jiao Tong University,University of New South Wales,University of Cambridge,Shanghai AI Lab, w kraju zapisanym jako China, podczas September 2024. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia,Academia,Academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie protein design.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Został wytrenowany na korpusie około 6,207,900 Tokeny tekstu.
Odpowiedzi
CPDiffusion — częste pytania
CPDiffusion— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein design. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
CPDiffusion— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
CPDiffusion— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
CPDiffusion— ile ma parametrów?
Ma liczbę parametrów równą 4M. CPDiffusion trains a denoising diffusion model with 4 million learnable parameters from natural protein structures. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
CPDiffusion— kto to stworzył?
Zostało opublikowane przez Shanghai Jiao Tong University,University of New South Wales,University of Cambridge,Shanghai AI Lab, oparty na China, organizacja sklasyfikowana jako academia,Academia,Academia,Academia.
CPDiffusion— kiedy to zostało wydane?
Zostało opublikowane w September 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.