GGNN
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
- Westlake University,Tsinghua University,Toyota Technological Institute at Chicago
- Typ organizacji
- Academia,Academia,Academia
- Kraj
- China, United States of America
- Opublikowany
- 5 August 2023
- Autorzy
- Fang Wu, Lirong Wu, Dragomir Radev, Jinbo Xu and Stan Z. Li
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning
- 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
- 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
- 7.6 × 10²¹ FLOP
- Jak to zostało ustalone
- Other
ESM-2 650M is very likely the majority of FLOPs, since they only used 2 A100s (ESM-2 650M used 512 V100s for 8 days). As such I'm reporting the compute from ESM-2 650M here only.
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
- 2
- 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
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Open source
MIT license https://github.com/smiles724/GNN-Bottleneck
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Confident
- Cytaty
- 43
"In this work, we integrate the knowledge learned by well-trained protein language models into several state-of-the-art geometric networks and evaluate a variety of protein representation learning benchmarks, including protein-protein interface prediction, model quality assessment, protein-protein rigid-body docking, and binding affinity prediction. Our findings show an overall improvement of 20% over baselines."
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Integration of pre-trained protein language models into geometric deep learning networks
- Ostatnio zaktualizowane
- 1 January 2026
Co oznaczają liczby
Tło
GGNN został opublikowany przez Westlake University,Tsinghua University,Toyota Technological Institute at Chicago, w kraju zapisanym jako China, podczas August 2023. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia,Academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning.
Zamiast być trenowanym od podstaw, pochodzi z ESM2-650M. Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 7.6 × 10²¹ 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.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: sOTA improvement.
Odpowiedzi
GGNN — częste pytania
GGNN— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
GGNN— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 7.6 × 10²¹ 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.
GGNN— 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.
GGNN— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
GGNN— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
GGNN— kto to stworzył?
Zostało opublikowane przez Westlake University,Tsinghua University,Toyota Technological Institute at Chicago, oparty na China, organizacja sklasyfikowana jako academia,Academia,Academia.
GGNN— 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.
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.