FoldFlow2
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
- Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford
- Typ organizacji
- Industry,Academia,Academia,Academia
- Kraj
- Canada, United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 30 May 2024
- Autorzy
- Guillaume Huguet, James Vuckovic, Kilian Fatras, Eric Thibodeau-Laufer, Pablo Lemos, Riashat Islam, Cheng-Hao Liu, Jarrid Rector-Brooks, Tara Akhound-Sadegh, Michael Bronstein, Alexander Tong, Avishek Joey Bose
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Protein generation, Protein design
- Model bazowy
- ESM2-650M
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
- 48,000,000 tokens
Average protein length = (60 + 384) / 2 = 222 residues Total datapoints = 160,000 structures × 222 residues = 35,520,000
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
- 7.6 × 10²¹ FLOP
- Jak to zostało ustalone
- Hardware
1. Hardware setup: 2x NVIDIA A100 40GB GPUs (3.12 x 10^14 FLOP/s per GPU) 2. Training duration: 4 days (directly provided) = 345,600 seconds 3. Utilization rate: 40% 4. Calculation: 2 GPUs × 3.12×10^14 FLOP/s × 345,600s × 0.4 = 8.6×10^19 FLOPs Base model: 7.560000000001e+21 Total: 7646000000001000000000
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
- Zastosowane chipy
- 2
- Czas rzeczywisty
- 96 hours
- Pobór mocy
- 1.6 kW
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)
CC NC 4.0 https://github.com/DreamFold/FoldFlow weights https://github.com/DreamFold/FoldFlow/releases/tag/0.2.0
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 49
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Co to jest model?
FoldFlow2 został opublikowany przez Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, w kraju zapisanym jako Canada, podczas May 2024. Kategoria, do której należy wydawca, to industry,Academia,Academia,Academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie protein generation, Protein design.
Jego punktem wyjścia był istniejący model podstawowy, ESM2-650M. To jest zwykły sposób produkcji wyspecjalizowanego modelu.
Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu.
Szkolenie i pochodzenie
Wytworzenie tego wymagało arytmetyki sumującej około 7.6 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 48,000,000 Tokeny tekstu.
Odpowiedzi
FoldFlow2 — częste pytania
FoldFlow2— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein generation, Protein design. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
FoldFlow2— Gdzie mogę to pobrać?
Wagi są opublikowane, chociaż nie posiadamy linku do repozytorium. Ta strona oblicza wymagania sprzętowe, a nie hostuje pliki modelu.
FoldFlow2— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 7.6 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. 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.
FoldFlow2— 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.
FoldFlow2— 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.
FoldFlow2— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
FoldFlow2— kto to stworzył?
Zostało opublikowane przez Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, oparty na Canada, organizacja sklasyfikowana jako industry,Academia,Academia,Academia.
FoldFlow2— kiedy to zostało wydane?
Zostało opublikowane w May 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.