Innovative Drug-like Molecule Generation from
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 Pittsburgh,Carnegie Mellon University (CMU)
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 12 November 2022
- Autorzy
- Haotian Zhang, Linxiaoyi Wan
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Drug discovery
- Model bazowy
- GraphBP
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
- 2,000,000 tokens
Total data points = 50,000 binding structures Previous estimate: 20 atoms/ligand = 1,000,000 data points [Final estimate: 1.0e6]
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Unknown
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Innovative Drug-like Molecule Generation from Flow-based Generative Model
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
Innovative Drug-like Molecule Generation from został opublikowany przez University of Pittsburgh,Carnegie Mellon University (CMU), w kraju zapisanym jako United States of America, podczas November 2022. Organizacja publikująca jest klasyfikowana jako academia,Academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie drug discovery.
Jego punktem wyjścia był istniejący model podstawowy, GraphBP. To jest zwykły sposób produkcji wyspecjalizowanego modelu.
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 zużył korpus około 2,000,000 Tokeny tekstu.
Odpowiedzi
Innovative Drug-like Molecule Generation from — częste pytania
Innovative Drug-like Molecule Generation from— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
Innovative Drug-like Molecule Generation from— kto to stworzył?
Zostało opublikowane przez University of Pittsburgh,Carnegie Mellon University (CMU), oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.
Innovative Drug-like Molecule Generation from— kiedy to zostało wydane?
Zostało opublikowane w November 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Innovative Drug-like Molecule Generation from— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie drug discovery. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Innovative Drug-like Molecule Generation from— 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.
Innovative Drug-like Molecule Generation from— 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.
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.