Vespa
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
- Technical University of Munich
- Typ organizacji
- Academia
- Kraj
- Germany
- Opublikowany
- 30 December 2021
- Autorzy
- Céline Marquet, Michael Heinzinger, Tobias Olenyi, Christian Dallago, Kyra Erckert, Michael Bernhofer, Dmitrii Nechaev & Burkhard Rost
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Proteins, Protein or nucleotide language model (pLM/nLM)
- Podejście
- Supervised
- Model bazowy
- ProteinBERT
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 231K
- Dane treningowe
- tokens
"(3) standard convolutional neural network (CNN; with two convolutional layers with a window size of 7, connected through ReLU activations; dropout rate of 0.25; 231 k free parameters)"
ConSurf10k: 2.7 x 10^6 samples Eff10k: 1.00737 x 10^5 samples Total = 2.7 x 10^6 + 1.00737 x 10^5 = 2.800737 x 10^6 ≈ 2.8 x 10^6 datapoints
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Embeddings from protein language models predict conservation and variant effects
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
Vespa został opublikowany przez Technical University of Munich, w kraju zapisanym jako Germany, podczas December 2021. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie proteins, Protein or nucleotide language model (pLM/nLM).
Opiera się na ProteinBERT. Większość modeli w tej skali jest dostosowywana z istniejącej bazy, a nie tworzona od zera.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Odpowiedzi
Vespa — częste pytania
Vespa— 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.
Vespa— ile ma parametrów?
Ma liczbę parametrów równą 231K. "(3) standard convolutional neural network (CNN; with two convolutional layers with a window size of 7, connected through ReLU activations; dropout rate of 0.25; 231 k free 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.
Vespa— kto to stworzył?
Zostało opublikowane przez Technical University of Munich, oparty na Germany, organizacja sklasyfikowana jako academia.
Vespa— kiedy to zostało wydane?
Zostało opublikowane w December 2021. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Vespa— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie proteins, Protein or nucleotide language model (pLM/nLM). Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Vespa— 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.
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.