К содержимому
Другое

LASErMPNN browser inference weights

веса для запуска белкового дизайна в браузере

2 мин чтения

Репозиторий содержит инференс-экспорты модели LASErMPNN (включая чекпоинт с предобученным SPICE лиганд-энкодером) в формате для WebGPU-рантайма. Модель предназначена для вычислительного дизайна белков и предсказания последовательностей или боковых цепей, оптимизированная для работы прямо в браузере. Веса доступны в трех вариантах точности: FP32 (базовое качество), FP16 и квантованные INT8. Инструмент будет полезен исследователям и разработчикам в области биоинформатики, создающим веб-приложения для молекулярного моделирования.

Ключевые особенности

  • Поддержка WebGPU-инференса для браузерных приложений на базе специального рантайма lasermpnn-webgpu.
  • Доступность трех вариантов точности: FP32, FP16 и экспериментальный INT8 для снижения требований к памяти.
  • Наличие файлов манифеста с точными типами данных, формами тензоров и SHA256-контрольными суммами.
  • Сохранение исходной MIT-лицензии и воспроизведение результатов FP32-бестлайна с высокой точностью.

Что можно сделать

  • Интегрировать веса в веб-приложения для быстрого предсказания белковых последовательностей в браузере.
  • Протестировать квантованные версии FP16 и INT8 для оценки производительности на клиентских устройствах.
  • Использовать манифесты и шард-файлы для настройки собственного baseUrl в совместимом WebGPU-рантайме.

Пример

Пример настройки пути к весам в WebGPU-рантайме путем указания базового URL репозитория:

# Пример указания пути к весам для FP32, FP16 или INT8 прецизионности
baseUrl = "[https://huggingface.co/ramithuh/lasermpnn-webgpu/resolve/main/fp32](https://huggingface.co/ramithuh/lasermpnn-webgpu/resolve/main/fp32)"
ПодробнееТочность и квантование: FP32 выступает базовым стандартом качества; в FP16 матрицы округлены до binary16, а геометрия и нормы сохранены в FP32; INT8 использует симметричное квантование по строкам.
Тесты на CPU (115 остатков, 4jnj-1_prot.pdb) показывают относительную погрешность AA-logit relRMS 6.04605e-4 для FP16 и 3.45714e-2 для INT8.
Входные данные должны содержать требуемое состояние протонирования лиганда; модель не добавляет водороды автоматически.
Веса распространяются под лицензией MIT.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # ramithuh/lasermpnn-webgpu
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download ramithuh/lasermpnn-webgpu --local-dir ~/models/lasermpnn-webgpu
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к lasermpnn-webgpu
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии lasermpnn-webgpu — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

ramithuh/lasermpnn-webgpu
Автор
ramithuh
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

BotPsy 0.8B WebGPU

BotPsy 0.8B WebGPU