PepPrCLIP
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są OPEN, ale nie opublikowano liczby parametrów. Każda figura dotycząca MEMORY i prędkości zaczyna się od tej liczby, więc wolelibyśmy nic nie pokazywać niż wymyśloną estymację..
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
- Duke University,Cornell University,Sanford Burnham Prebys Institute
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 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 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.
- 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 treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 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
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA A100 SXM4 80 GB
- Zastosowane chipy
- 1
- Pobór mocy
- 434 W
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma 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, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- 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
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
PepPrCLIP został opublikowany przez Duke University,Cornell University,Sanford Burnham Prebys Institute, w kraju zapisanym jako United States of America, podczas July 2024. Kategoria, do której należy wydawca, to academia,Academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie protein design.
Opublikowane wagi oznaczają, że model działa na twojej maszynie, a nie na czyjejś, co sprawia, że poniższe pytanie dotyczące sprzętu jest w ogóle możliwe do odpowiedzi. Na Hugging Face jest opublikowane pod organizacją ubiquitx.
Szkolenie i pochodzenie
Wytworzenie tego wymagało arytmetyki sumującej około 1 × 10¹⁸ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100 SXM4 80 GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
PepPrCLIP — częste pytania
PepPrCLIP— kiedy to zostało wydane?
Zostało opublikowane w July 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
PepPrCLIP— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein design. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
PepPrCLIP— Gdzie mogę to pobrać?
Jego wagi są publikowane na Hugging Face, pod organizacją ubiquitx. Nie hostujemy plików modelu — ta strona oblicza, jaki sprzęt jest potrzebny do ich uruchomienia.
PepPrCLIP— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1 × 10¹⁸ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100 SXM4 80 GB. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
PepPrCLIP— Jaką GPU potrzebuję, aby ją uruchomić?
Nie możemy powiedzieć. Ma otwarte wagi, ale nie opublikowano liczby parametrów, a wszelkie obliczenia pamięci i prędkości zaczynają się od tej liczby. Wolimy nie pokazywać niczego niż fałszywą szacunkową wartość.
PepPrCLIP— czy jest open weight?
Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.
PepPrCLIP— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
PepPrCLIP— kto to stworzył?
Zostało opublikowane przez Duke University,Cornell University,Sanford Burnham Prebys Institute, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.
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.