DeepSA
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
- ShanghaiTech University
- Typ organizacji
- Academia
- Kraj
- China
- Opublikowany
- 2 November 2023
- Autorzy
- Shihang Wang, Lin Wang, Fenglei Li, Fang Bai
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Synthetic accessibility model
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
- 20
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 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Hardware
1. Hardware setup: 1x NVIDIA GeForce RTX 3090 (1.60 × 10¹⁴ FLOP/s) 2. Training duration: Estimated based on dataset size and batch processing - 71,861,060 total samples (3,593,053 samples × 20 epochs) - 561,719 batches (batch size 128) - ~15.6 hours (56,172 seconds) 3. Utilization rate: 40% 4. Final calculation: 1.60 × 10¹⁴ FLOP/s × 1 GPU × 5.6 × 10⁴ s × 0.4 = 3.6 × 10¹⁸ FLOPs (Rounded to 1.0 × 10¹⁹ 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 GeForce RTX 3090
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
- Closed — provider access only
- Dostęp do modelu
- Hosted access (no API)
- Kod treningowy
- Open (non-commercial)
https://github.com/Shihang-Wang-58/DeepSA
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
- DeepSA: a deep-learning driven predictor of compound synthesis accessibility
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
DeepSA został opublikowany przez ShanghaiTech University, w kraju zapisanym jako China, podczas November 2023. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie synthetic accessibility model.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Co poszło w budowę tego
Trening zajmował około 1 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce RTX 3090. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
DeepSA — częste pytania
DeepSA— kiedy to zostało wydane?
Zostało opublikowane w November 2023. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
DeepSA— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie synthetic accessibility model. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
DeepSA— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce RTX 3090. 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.
DeepSA— 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.
DeepSA— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
DeepSA— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
DeepSA— kto to stworzył?
Zostało opublikowane przez ShanghaiTech University, oparty na China, organizacja sklasyfikowana jako 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.