SS-pLM
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
- Nostrum Biodiscovery,Barcelona Supercomputing Center,Institucio Catalana de Recerca i Estudis Avancçats
- Typ organizacji
- Government,Research collective
- Kraj
- Spain
- Opublikowany
- 6 August 2023
- Autorzy
- Yaiza Serrano, Sergi Roda, Victor Guallar, Alexis Molina
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Protein or nucleotide language model (pLM/nLM)
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 14.8M
- Dane treningowe
- tokens
From Table 3
Total Datapoints = 1.75 × 10⁶ sequences × 300 tokens/sequence = 5.25 × 10⁸ 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
- 2.3 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Hardware
1. Hardware setup: 4x NVIDIA A30 GPUs (1.50×10¹⁴ FLOP/s per GPU in FP16) 2. Training duration: 1 day (86,400 seconds) - directly provided 3. Utilization rate: 40% 4. Calculation: 4 GPUs × 1.50×10¹⁴ FLOP/s × 86,400s × 0.40 = 2.07×10¹⁹ FLOPs 4*1.7e+14*0.4*86400s=2.3e+19
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA A30 PCIe
- Zastosowane chipy
- 4
- Czas rzeczywisty
- 24 hours
- Pobór mocy
- 1.3 kW
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 5
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Efficient and accurate sequence generation with small-scale protein language models
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
SS-pLM został opublikowany przez Nostrum Biodiscovery,Barcelona Supercomputing Center,Institucio Catalana de Recerca i Estudis Avancçats, w kraju zapisanym jako Spain, podczas August 2023. Organizacja publikująca jest klasyfikowana jako government,Research collective.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie protein or nucleotide language model (pLM/nLM).
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 2.3 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A30 PCIe. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
SS-pLM — częste pytania
SS-pLM— kto to stworzył?
Zostało opublikowane przez Nostrum Biodiscovery,Barcelona Supercomputing Center,Institucio Catalana de Recerca i Estudis Avancçats, oparty na Spain, organizacja sklasyfikowana jako government,Research collective.
SS-pLM— kiedy to zostało wydane?
Zostało opublikowane w August 2023. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
SS-pLM— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein or nucleotide language model (pLM/nLM). Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
SS-pLM— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.3 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A30 PCIe. 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.
SS-pLM— 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.
SS-pLM— 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.
SS-pLM— ile ma parametrów?
Ma liczbę parametrów równą 14.8M. From Table 3. 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.
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.