ProteinMPNN
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są OPEN, ale nie opublikowano liczby parametrów. Każda figura dotycząca MEMORY i prędkości zaczyna się od tej liczby, więc wolelibyśmy nic nie pokazywać niż wymyśloną estymację..
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 Washington,Wageningen University and Research,NERSC, Lawrence Berkeley National Laboratory
- Typ organizacji
- Academia,Academia,Government
- Kraj
- United States of America, Netherlands
- Opublikowany
- 15 September 2022
- Autorzy
- J. Dauparas, I. Anishchenko, N. Bennett, H. Bai, R. J. Ragotte, L. F. Milles, B. I. M. Wicky, A. Courbet, R. J. de Haas, N. Bethel, P. J. Y. Leung, T. F. Huddy, S. Pellock, D. Tischer, F. Chan, B. Koepnick, H. Nguyen, A. Kang, B. Sankaran, A. K. Bera, N. P. King, D. Baker
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 design
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
19,700 proteins * 0.8 [train split] × 300 residues/protein [assumtion] = 4 728 000 residues ≈ 5.0 × 10⁶ datapoints
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
- Open — downloadable
- Dostęp do modelu
- Open weights (unrestricted)
- Kod treningowy
- Open source
MIT license https://github.com/dauparas/ProteinMPNN
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Likely
- Cytaty
- 793
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Robust deep learning–based protein sequence design using ProteinMPNN
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Co to jest model?
ProteinMPNN został opublikowany przez University of Washington,Wageningen University and Research,NERSC, Lawrence Berkeley National Laboratory, w kraju zapisanym jako United States of America, podczas September 2022. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia,Government.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie protein or nucleotide language model (pLM/nLM), Protein design.
Otwarte wagi to powód, dla którego ta strona znajduje się w kalkulatorze, a nie tylko w katalogu: jest to model, który możesz faktycznie mieć.
Odpowiedzi
ProteinMPNN — częste pytania
ProteinMPNN— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
ProteinMPNN— kto to stworzył?
Zostało opublikowane przez University of Washington,Wageningen University and Research,NERSC, Lawrence Berkeley National Laboratory, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia,Government.
ProteinMPNN— kiedy to zostało wydane?
Zostało opublikowane w September 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
ProteinMPNN— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein or nucleotide language model (pLM/nLM), Protein design. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
ProteinMPNN— Gdzie mogę to pobrać?
Wagi są opublikowane, chociaż nie posiadamy linku do repozytorium. Ta strona oblicza wymagania sprzętowe, a nie hostuje pliki modelu.
ProteinMPNN— Jaką GPU potrzebuję, aby ją uruchomić?
Nie możemy powiedzieć. Ma otwarte wagi, ale nie opublikowano liczby parametrów, a wszelkie obliczenia pamięci i prędkości zaczynają się od tej liczby. Wolimy nie pokazywać niczego niż fałszywą szacunkową wartość.
ProteinMPNN— czy jest open weight?
Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.
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.