IgGM
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są dostępne publicznie, jednak nie opublikowano liczby parametrów dla niego. Każdy wskaźnik pamięci i szybkości zaczyna się od tej liczby, dlatego wolelibyśmy nie podawać niczego, niż sfałszowaną szacunkową wartość.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent
- Typ organizacji
- Academia,Academia,Industry
- Kraj
- China
- Opublikowane
- 22 September 2024
- Autorzy
- Rubo Wang, Fandi Wu, Xingyu Gao, Jiaxiang Wu, Peilin Zhao, Jianhua Yao
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Biology
- Zadanie
- Protein design
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 15,506,880 tokens
Complexes: 6,448 + 1,907 = 8,355 Amino acids per complex: 450 + 350 + 300 = 1,100 Total amino acids: 8,355 * 1,100 = 9,190,500
Obliczenia szkoleniowe
Aritmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach zmiennoprzecinkowych. Jest to miara kosztu przeprowadzonego treningu, a nie tego, jak szybko gotowy model odpowiada na twoje zapytania.
- Obliczenia szkoleniowe
- 8.6 × 10²⁰ FLOP
- Jak to zostało ustalone
- Hardware
1. Hardware setup: 8x NVIDIA A100 SXM4 80GB GPUs, 3.12e14 FLOP/s per GPU 2. Training duration: Directly provided as 10 days = 864,000 seconds 3. Utilization rate: 40% 4. Final calculation: 3.12e14 FLOP/s × 864,000s × 0.4 × 8 GPUs = 8.6e20 FLOPs
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Sprzęt szkoleniowy
- NVIDIA A100
- Chips użyte
- 8
- Wall-clock time
- 240 hours (10 days)
- Pobór mocy
- 6.3 kW
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Open — downloadable
- Dostęp do modelu
- Open weights (non-commercial)
- Kod treningowy
- Unreleased
PolyForm Noncommercial License 1.0.0 https://github.com/TencentAI4S/IgGM?tab=readme-ov-file
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Zaufanie do nagrania
- Likely
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- IgGM: A Generative Model for Functional Antibody and Nanobody Design
- Ostatnia aktualizacja
- 28 November 2025
Co oznaczają liczby
Tło
IgGM was published by Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent, in China, in September 2024. It comes out of academia,Academia,Industry.
It works in Biology, and is recorded as doing protein design.
Opublikowane wagi oznaczają, że model działa na twojej maszynie, a nie na maszynie kogoś innego, co sprawia, że poniższe pytanie dotyczące sprzętu jest w ogóle możliwe do odpowiedzi.
Jak to było trenowane
The training run consumed about 8.6 × 10²⁰ FLOP, on NVIDIA A100. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Around 15,506,880 tokens went into training it.
Odpowiedzi
IgGM — Często zadawane pytania
Who created IgGM?
IgGM was published by Chinese Academy of Sciences,University of Chinese Academy of Sciences,Tencent, based in China, categorised as academia,Academia,Industry.
When was IgGM released?
IgGM was published in September 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is IgGM used for?
IgGM works in Biology, and is recorded as handling protein design. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
Where can I download IgGM?
The weights for IgGM are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train IgGM?
Around 8.6 × 10²⁰ FLOP, on NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run IgGM?
We cannot say. IgGM has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is IgGM open source?
Its weights are published, so IgGM can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does IgGM have?
No parameter count has been published for IgGM, which is why no memory or speed figure appears on this page.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..