ProtBFN
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
- InstaDeep
- Typ organizacji
- Industry
- Kraj
- United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 24 September 2024
- Autorzy
- Timothy Atkinson, Thomas D. Barrett, Scott Cameron, Bora Guloglu, Matthew Greenig, Louis Robinson, Alex Graves, Liviu Copoiu, Alexandre Laterre
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)
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 650M
- Dane treningowe
- tokens
Total tokens = 71,000,000 sequences × 300 residues = 21,300,000,000 tokens (2.13×10¹⁰) Alternative calculation with 256 residues: 71,000,000 sequences × 256 residues = 18,176,000,000 tokens (1.82×10¹⁰) Final estimate: 2.1×10¹⁰ tokens
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
- 3.9 × 10²² FLOP
- Jak to zostało ustalone
- Hardware
1. Hardware setup: - ProtBFN: 256 TPU v4 chips (2.75e14 FLOP/s per chip) - AbBFN: 128 TPU v4 chips (2.75e14 FLOP/s per chip) 2. Training duration: - ProtBFN: 14 days = 1,209,600 seconds - AbBFN: 4 days = 345,600 seconds 3. Utilization rate: 40% 4. Final calculation: - ProtBFN: 2.75e14 × 256 × 1,209,600 × 0.4 = 3.406e22 FLOPs - AbBFN: 2.75e14 × 128 × 345,600 × 0.4 = 4.866e21 FLOPs - Total: 3.406e22 + 4.866e21 = 3.9e22 FLOPs
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 v4
- Zastosowane chipy
- 256
- Czas rzeczywisty
- 432 hours (18 days)
- Pobór mocy
- 171.4 kW
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 16
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Protein Sequence Modelling with Bayesian Flow Networks
- Ostatnio zaktualizowane
- 1 January 2026
Co oznaczają liczby
Tło
ProtBFN został opublikowany przez InstaDeep, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas September 2024. Kategoria, do której należy wydawca, to industry.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie 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.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 3.9 × 10²² FLOP, na sprzęcie zarejestrowanym jako Google TPU v4. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
ProtBFN — częste pytania
ProtBFN— ile ma parametrów?
Ma liczbę parametrów równą 650M. 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.
ProtBFN— kto to stworzył?
Zostało opublikowane przez InstaDeep, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako industry.
ProtBFN— 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.
ProtBFN— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie 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.
ProtBFN— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.9 × 10²² FLOP, na sprzęcie zarejestrowanym jako Google TPU v4. 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.
ProtBFN— 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.
ProtBFN— 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.