ProtBERT-UniRef
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,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology
- Typ organizacji
- Academia,Industry,Academia,Industry,Government
- Kraj
- Germany, United States of America, Korea (Republic of), China
- Opublikowany
- 4 May 2021
- Autorzy
- Ahmed Elnaggar, Michael Heinzinger, Christian Dallago, Ghalia Rehawi, Yu Wang, Llion Jones, Tom Gibbs, Tamas Feher, Christoph Angerer, Martin Steinegger, Debsindhu Bhowmik, 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)
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 420M
- Dane treningowe
- tokens
Table 2
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
- 7.3 × 10²¹ FLOP
Table 2, two stages with different sequence lengths Stage 1: 300k steps, sequence length 512, batch size 15360 Stage 2: 100k steps, sequence length 2048, batch size 2560 6ND formula Stage 1: 6*300000*15360*512*420000000=5.9454259e+21 Stage 2: 6*100000*2560*2048*420000000=1.3212058e+21 Total: 7.2666317e+21
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- Google TPU v3
- Zastosowane chipy
- 512
- Pobór mocy
- 466.5 kW
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 5
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- ProtTrans:Towards Cracking the Language of Life's Code Through Self-Supervised Learning
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
ProtBERT-UniRef został opublikowany przez Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, w kraju zapisanym jako Germany, podczas May 2021. Wychodzi z organizacji zaklasyfikowanej jako academia,Industry,Academia,Industry,Government.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie proteins, Protein or nucleotide language model (pLM/nLM).
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Trening zajmował około 7.3 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako Google TPU v3. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
ProtBERT-UniRef — częste pytania
ProtBERT-UniRef— kiedy to zostało wydane?
Zostało opublikowane w May 2021. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
ProtBERT-UniRef— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie proteins, Protein or nucleotide language model (pLM/nLM). Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
ProtBERT-UniRef— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 7.3 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako Google TPU v3. 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.
ProtBERT-UniRef— 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.
ProtBERT-UniRef— 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.
ProtBERT-UniRef— ile ma parametrów?
Ma liczbę parametrów równą 420M. Table 2. 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.
ProtBERT-UniRef— kto to stworzył?
Zostało opublikowane przez Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, oparty na Germany, organizacja sklasyfikowana jako academia,Industry,Academia,Industry,Government.
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.