PocketFlow
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 Science and Technology of China (USTC),State Key Laboratory of Cognitive Intelligence,Harvard University
- Typ organizacji
- Academia,Academia
- Kraj
- China, United States of America
- Opublikowany
- 29 September 2024
- Autorzy
- Zaixi Zhang, Marinka Zitnik, Qi Liu
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Protein design, Drug discovery
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
- Epoki
- 20
CrossDocked: 100,000 complexes × (100 residues + 50 atoms) = 15,000,000 MOAD: 40,000 pairs × (100 residues + 50 atoms) = 6,000,000 Total: 15,000,000 + 6,000,000 = 21,000,000 datapoints = 2.1 × 10⁷
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.
- Jak to zostało ustalone
- Hardware
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA A100
- Zastosowane chipy
- 1
- Pobór mocy
- 433 W
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Likely
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Generalized Protein Pocket Generation with Prior-Informed Flow Matching
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
PocketFlow został opublikowany przez University of Science and Technology of China (USTC),State Key Laboratory of Cognitive Intelligence,Harvard University, w kraju zapisanym jako China, podczas September 2024. Organizacja publikująca jest klasyfikowana jako academia,Academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie protein design, Drug discovery.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Odpowiedzi
PocketFlow — częste pytania
PocketFlow— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein design, Drug discovery. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
PocketFlow— 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.
PocketFlow— 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.
PocketFlow— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
PocketFlow— kto to stworzył?
Zostało opublikowane przez University of Science and Technology of China (USTC),State Key Laboratory of Cognitive Intelligence,Harvard University, oparty na China, organizacja sklasyfikowana jako academia,Academia.
PocketFlow— kiedy to zostało wydane?
Zostało opublikowane w September 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
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.