PepPrCLIP
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są dostępne publicznie, jednak nie opublikowano liczby parametrów dla niego. Każdy wskaźnik pamięci i szybkości zaczyna się od tej liczby, dlatego wolelibyśmy nie podawać niczego, niż sfałszowaną szacunkową wartość.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Duke University,Cornell University,Sanford Burnham Prebys Institute
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowane
- 22 July 2024
- Autorzy
- Suhaas Bhat, Kalyan Palepu, Lauren Hong, Joey Mao, Tianzheng Ye, Rema Iyer, Lin Zhao, Tianlai Chen, Sophia Vincoff, Rio Watson, Tian Wang, Divya Srijay, Venkata Srikar Kavirayuni, Kseniia Kholina, Shrey Goel, Pranay Vure, Aniruddha J Desphande, Scott H Soderling, Matthew P DeLisa, Pranam Chatterjee
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Biology
- Zadanie
- Protein design
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- tokens
- Epoki
- 56
11,597 datapoints from noisy dataset training pairs used for pre-training 11,597 x 1 epoch = 11,597 total datapoints Final estimate: 11,597 ≈ 1.16e4
Obliczenia szkoleniowe
Aritmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach zmiennoprzecinkowych. Jest to miara kosztu przeprowadzonego treningu, a nie tego, jak szybko gotowy model odpowiada na twoje zapytania.
- Obliczenia szkoleniowe
- 1 × 10¹⁸ FLOP
- Jak to zostało ustalone
- Hardware
1. Hardware: 1x NVIDIA A100 80GB GPU (3.12e14 FLOP/s fp16) 2. Training duration: 6 hours (estimated based on dataset size and epochs) 3. Utilization: 40% 4. Calculation: 3.12e14 FLOP/s × 0.4 × (6 × 3600s) = 2.69e18 FLOP ≈ 1.0e18 FLOP
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Sprzęt szkoleniowy
- NVIDIA A100 SXM4 80 GB
- Chips użyte
- 1
- Pobór mocy
- 434 W
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Open — downloadable
- Dostęp do modelu
- Open weights (non-commercial)
- Kod treningowy
- Open (non-commercial)
- Hugging Face
- ubiquitx
All code and Colab notebooks to run PepPrCLIP can be freely accessed by the academic community at: https://huggingface.co/ubiquitx/pepprclip, after signing a non-commercial, research-only academic license. All raw and processed data have been deposited to the Zenodo repository: https://zenodo.org/doi/10.5281/zenodo.10971077
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Zaufanie do nagrania
- Speculative
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- De Novo Design of Peptide Binders to Conformationally Diverse Targets with Contrastive Language Modeling
- Ostatnia aktualizacja
- 28 November 2025
Co oznaczają liczby
Tło
PepPrCLIP was published by Duke University,Cornell University,Sanford Burnham Prebys Institute, in United States of America, in July 2024. academia,Academia is the category the publisher falls under.
It works in Biology, and is recorded as doing protein design.
Published weights mean the model runs on your machine rather than someone else's, which is what makes the hardware question below answerable at all. It is published under the ubiquitx organisation on Hugging Face.
Training and provenance
Producing it required around 1 × 10¹⁸ FLOP of arithmetic, on NVIDIA A100 SXM4 80 GB, which is a statement about the training budget rather than about inference.
Odpowiedzi
PepPrCLIP — Często zadawane pytania
When was PepPrCLIP released?
PepPrCLIP was published in July 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.
What is PepPrCLIP used for?
PepPrCLIP works in Biology, and is recorded as handling protein design. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download PepPrCLIP?
Its weights are published under the ubiquitx organisation on Hugging Face. We do not host model files — this site calculates what hardware is needed to run them.
How much compute was used to train PepPrCLIP?
Around 1 × 10¹⁸ FLOP, on NVIDIA A100 SXM4 80 GB. 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 PepPrCLIP?
We cannot say. PepPrCLIP 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 PepPrCLIP open source?
Its weights are published, so PepPrCLIP 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 PepPrCLIP have?
No parameter count has been published for PepPrCLIP, which is why no memory or speed figure appears on this page.
Who created PepPrCLIP?
PepPrCLIP was published by Duke University,Cornell University,Sanford Burnham Prebys Institute, based in United States of America, categorised as academia,Academia.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..