Improved motif-scaffolding with SE(3) flow matching
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
- University of Oxford,Massachusetts Institute of Technology (MIT),Microsoft Research AI for Science
- Typ organizacji
- Academia,Academia,Industry
- Kraj
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Opublikowany
- 8 January 2024
- Autorzy
- Jason Yim, Andrew Campbell, Emile Mathieu, Andrew Y. K. Foong, Michael Gastegger, José Jiménez-Luna, Sarah Lewis, Victor Garcia Satorras, Bastiaan S. Veeling, Frank Noé, Regina Barzilay, Tommi S. Jaakkola
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
- 16.8M
- Dane treningowe
- tokens
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
- 1.6 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Hardware
1. Hardware: 2x NVIDIA RTX A6000 (3.87e13 FLOP/s per GPU) 2. Training duration: 6 days = 518,400 seconds (directly provided) 3. Utilization: 40% 4. Calculation: 2 GPUs × 3.87e13 FLOP/s × 518,400s × 0.40 = 1.6e19 FLOPs
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA RTX A6000
- Zastosowane chipy
- 2
- Czas rzeczywisty
- 144 hours
- Pobór mocy
- 1.2 kW
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Improved motif-scaffolding with SE(3) flow matching
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Skąd to pochodzi
Improved motif-scaffolding with SE(3) flow matching został opublikowany przez University of Oxford,Massachusetts Institute of Technology (MIT),Microsoft Research AI for Science, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas January 2024. Kategoria, do której należy wydawca, to academia,Academia,Industry.
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
Trenowanie zajęło budżet obliczeniowy wynoszący około 1.6 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA RTX A6000. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
Improved motif-scaffolding with SE(3) flow matching — częste pytania
Improved motif-scaffolding with SE(3) flow matching— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein design. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Improved motif-scaffolding with SE(3) flow matching— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.6 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA RTX A6000. 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.
Improved motif-scaffolding with SE(3) flow matching— 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.
Improved motif-scaffolding with SE(3) flow matching— 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.
Improved motif-scaffolding with SE(3) flow matching— ile ma parametrów?
Ma liczbę parametrów równą 16.8M. 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.
Improved motif-scaffolding with SE(3) flow matching— kto to stworzył?
Zostało opublikowane przez University of Oxford,Massachusetts Institute of Technology (MIT),Microsoft Research AI for Science, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako academia,Academia,Industry.
Improved motif-scaffolding with SE(3) flow matching— kiedy to zostało wydane?
Zostało opublikowane w January 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.