/ Модель
Каталог

Характеристики

Контекст
400 токенов
Параметры
28,3 млн
Архитектура
gpt_neox · dense
Библиотека
transformers
Опубликована
5 июл 2024

Ссылки

Hugging FacearXiv 1910.09700

p-IgGen-developable

ollieturnbull
Генерация текстаТекст → текст3 профессии

ollieturnbull/p-IgGen-developable — авторегрессионная белковая языковая модель для генерации парных последовательностей антител.

1 611скачиваний за 30 дней1лайквеса обновлены8 июл 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель создана в рамках работы Oliver M. Turnbull и коллег из University of Oxford при участии AstraZeneca; репозиторий опубликован пользователем Ollie Turnbull на Hugging Face. Она предназначена для вычислительного поиска и проектирования антител, включая генерацию комплементарной тяжёлой или лёгкой цепи и создание библиотек последовательностей с пониженным риском проблем developability.

Модель основана на decoder-only архитектуре GPT-NeoX с 4 слоями, размером скрытого состояния 768, 8 attention heads, словарём из 26 токенов, максимальной длиной позиции 400 и вычислениями в float32. Это одномодальная модель для аминокислотных последовательностей; заявленная область применения — парные VH/VL-цепи антител. Она предварительно обучалась на непарных последовательностях из Observed Antibody Space, затем дообучалась на парных последовательностях и на наборе антител с благоприятными структурно-биофизическими характеристиками.

Сильная сторона модели — генерация разнообразных антителоподобных парных последовательностей с направленностью на улучшенную developability, включая свойства, связанные с агрегацией, полиспецифичностью, экспрессией и растворимостью. Ограничения состоят в том, что модель работает с последовательностями, а не непосредственно со структурами или экспериментальными свойствами; благоприятный прогноз не гарантирует лабораторную пригодность, связывание с мишенью или безопасность. В карточке конкретной версии разработчик, язык, оценочные результаты и лицензия явно не указаны. Связанный проект p-IgGen распространяется по BSD-3-Clause, но применять эту лицензию к данной версии без подтверждения карточки нельзя.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделейII.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Model ID

Model Details

Model Description

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

  • Developed by: [More Information Needed]
  • Funded by [optional]: [More Information Needed]
  • Shared by [optional]: [More Information Needed]
  • Model type: [More Information Needed]
  • Language(s) (NLP): [More Information Needed]
  • License: [More Information Needed]
  • Finetuned from model [optional]: [More Information Needed]

Model Sources [optional]

  • Repository: [More Information Needed]
  • Paper [optional]: [More Information Needed]
  • Demo [optional]: [More Information Needed]

Uses

Direct Use

[More Information Needed]

Downstream Use [optional]

[More Information Needed]

Out-of-Scope Use

[More Information Needed]

Bias, Risks, and Limitations

[More Information Needed]

Recommendations

Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model. More information needed for further recommendations.

How to Get Started with the Model

Use the code below to get started with the model.

[More Information Needed]

Training Details

Training Data

[More Information Needed]

Training Procedure

Preprocessing [optional]

[More Information Needed]

Training Hyperparameters

  • Training regime: [More Information Needed]

Speeds, Sizes, Times [optional]

[More Information Needed]

Evaluation

Testing Data, Factors & Metrics

Testing Data

[More Information Needed]

Factors

[More Information Needed]

Metrics

[More Information Needed]

Results

[More Information Needed]

Summary

Model Examination [optional]

[More Information Needed]

Environmental Impact

Carbon emissions can be estimated using the Machine Learning Impact calculator presented in Lacoste et al. (2019).

  • Hardware Type: [More Information Needed]
  • Hours used: [More Information Needed]
  • Cloud Provider: [More Information Needed]
  • Compute Region: [More Information Needed]
  • Carbon Emitted: [More Information Needed]

Technical Specifications [optional]

Model Architecture and Objective

[More Information Needed]

Compute Infrastructure

[More Information Needed]

Hardware

[More Information Needed]

Software

[More Information Needed]

Citation [optional]

BibTeX:

[More Information Needed]

APA:

[More Information Needed]

Glossary [optional]

[More Information Needed]

More Information [optional]

[More Information Needed]

Model Card Authors [optional]

[More Information Needed]

Model Card Contact

[More Information Needed]

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPTNeoXForCausalLM
Ревизия весов
6879148

0 моделей

    Создать бенчмарк