CaLM
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
- Typ organizacji
- Academia
- Kraj
- United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 19 December 2022
- Autorzy
- Carlos Outeiral, Charlotte M. Deane
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), Protein embedding, Protein property prediction, Protein localization prediction
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 86M
- Dane treningowe
- 2,523,746,560 tokens
- Epoki
- 14
"We trained a large language model with 86M parameters"
"a dataset of 9M non-redundant and diverse cDNA sequences identified from whole-genome sequencing" "Gradients were accumulated to an effective batch size of 1,000 examples, or approximately 256,000 tokens. " 9000000*256000/1000=2304000000 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
- 2.9 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Hardware,Operation counting
"4 NVIDIA Quadro RTX4000 GPUs for 40 days" Calculation assuming FP32, utilization 30%: = (40 * 24 * 3600) s * 7.1e12 FLOP/s * 0.3 * 4 GPU = 2.999808e+19 alternative calculation: "Gradients were accumulated to an effective batch size of 1,000 examples, or approximately 256,000 tokens. " "(66,000 gradient steps, 14 full epochs)" 256000*66000*14*86000000*6=1.220567e+20
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA Quadro RTX 4000
- Zastosowane chipy
- 4
- Czas-chip
- 3,840
- Czas rzeczywisty
- 960 hours (40 days)
- Pobór mocy
- 1.3 kW
"The model reported in this work was trained on 4 NVIDIA Quadro RTX4000 GPUs for 40 days (66,000 gradient steps, 14 full epochs)"
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
BSD-3-Clause license https://github.com/oxpig/CaLM
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
- Likely
- Cytaty
- 34
not absolute SOTA, SOTA among similar size models "We show that large language models trained on codons, instead of amino acid sequences, provide high-quality representations that outperform comparable state-of-the-art models across a variety of tasks. In some tasks, like species recognition, prediction of protein and transcript abundance, or melting point estimation, we show that a language model trained on codons outperforms every other published protein language model, including some that co…
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Codon language embeddings provide strong signals for protein engineering
- Ostatnio zaktualizowane
- 1 January 2026
Co oznaczają liczby
Co to jest model?
CaLM został opublikowany przez University of Oxford, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas December 2022. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie protein or nucleotide language model (pLM/nLM), Protein embedding, Protein property prediction, Protein localization prediction.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Jak to zostało wytrenowane
Trening zajmował około 2.9 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Quadro RTX 4000. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 2,523,746,560 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
CaLM — częste pytania
CaLM— kto to stworzył?
Zostało opublikowane przez University of Oxford, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako academia.
CaLM— kiedy to zostało wydane?
Zostało opublikowane w December 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
CaLM— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein or nucleotide language model (pLM/nLM), Protein embedding, Protein property prediction, Protein localization prediction. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
CaLM— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.9 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Quadro RTX 4000. 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.
CaLM— 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.
CaLM— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
CaLM— ile ma parametrów?
Ma liczbę parametrów równą 86M. "We trained a large language model with 86M parameters". 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.