ESM-2 650M (Protein Embeddings)

EmbeddingsNo disponible

de Metaesm2-650m-protein-embeddings

Meta AI 650M-parameter protein language model trained on UniRef50 sequences. Feed it an amino-acid sequence and the per-residue hidden states act as learned protein embeddings, used for structure prediction, variant-effect and function tasks. This 33-layer checkpoint is the common balance of quality and cost in the ESM-2 family.

Ver alternativas Comparar

Estado: No disponible
Contexto: 1024 tokens
Entrada → Salida: Texto → Vector
Desarrollador: Meta
Actualizado: 23 de septiembre de 2026

ESM-2 650M (Protein Embeddings) no está disponible actualmente

Puedes seguir leyendo los detalles en esta página. Elige una de las alternativas disponibles abajo para ejecutar un modelo comparable de inmediato.

Ir a alternativas

Modelos comparables

Todos en esta categoría

OpenAI text-embedding-3-largeOpenAI
OpenAI's highest-quality embedding model. Returns 3072-dim vectors by default and supports reducing dimensions via the dimensions parameter. Outperforms text-embedding-3-small and the older ada-002 on MTEB and multilingual MIRACL retrieval benchmarks, for cases where accuracy matters more than cost.
0,156 US$/1M entrada
Comparar ESM-2 650M (Protein Embeddings) vs. OpenAI text-embedding-3-large
OpenAI text-embedding-3-smallOpenAI
OpenAI's small, low-cost embedding model. Returns 1536-dim vectors by default and supports shortening output dimensions via the dimensions parameter without retraining. Replaced text-embedding-ada-002 with better retrieval quality at a fraction of the price, and is the default choice for general-purpose semantic search and RAG.
0,024 US$/1M entrada
Comparar ESM-2 650M (Protein Embeddings) vs. OpenAI text-embedding-3-small

Playground

Probar ESM-2 650M (Protein Embeddings)

Entrada y salida

No disponible actualmente

Actualmente no disponible.

El área de pruebas está desactivada. Puedes encontrar modelos comparables en la misma categoría: Explorar alternativas

Protein Sequence

0 / 1024

Amino-acid sequence (single-letter codes) to embed

Comparar con (opcional)

Ejecuta el modelo dos veces (se factura dos veces).

⌘/Ctrl + Intro

Resultado

El vector aparece aquí.

Esta ejecución

Sin precio – actualmente no disponible.

¿Eres nuevo aquí?

10 créditos gratis (0,10 US$) cuando te registres con Google

Disponible 24 horas después del registro, hasta 5 ejecuciones por día y como máximo 2 créditos por ejecución. Otros métodos de inicio de sesión comienzan sin créditos.

Acerca de ESM-2 650M (Protein Embeddings)

ResumenA fecha de 23 de septiembre de 2026

ESM-2 650M (Protein Embeddings) es un modelo de Meta en la categoría Embeddings. ESM-2 650M (Protein Embeddings) no está disponible en Railwail en este momento. La ventana de contexto contiene 1024 tokens.

ESM-2 is a transformer protein language model from Meta AI (FAIR) trained with masked language modeling over millions of protein sequences from UniRef. Its internal representations capture structural and functional properties of proteins, which is why ESM-2 embeddings power downstream tools including ESMFold structure prediction. The 650M t33 checkpoint sits between the small research models and the 3B/15B versions. Run through the Hugging Face feature-extraction pipeline on an amino-acid string to obtain per-residue embedding vectors (1280 dims), which are typically mean-pooled for a whole-protein embedding.

Precios

Actualmente no disponible. No hay precio para este modelo en este momento, por lo que no se puede ejecutar.

API

Llama a ESM-2 650M (Protein Embeddings) con tu clave API de Railwail. Usa este ID de modelo en la solicitud:

esm2-650m-protein-embeddingsDocumentación de API Obtener una clave API

Actualmente no disponible

El modelo no tiene un precio verificado o está desactivado; las llamadas a la API se rechazan.

Especificaciones

ID del modelo: esm2-650m-protein-embeddings
Desarrollador: Meta
Categoría: Embeddings
Entrada: Texto
Salida: Vector
Ventana de contexto: 1024 tokens
Entrada del catálogo actualizada: 23 de septiembre de 2026

Parámetros de entrada

Entradas y configuración del esquema de entrada del modelo. El ejemplo en la sección API muestra cuáles de ellas acepta la API.

ParámetroTipoPredeterminadoValores permitidos

inputsObligatorio
Amino-acid sequence (single-letter codes) to embed
Tipo: Texto
Predeterminado: –
Valores permitidos: Hasta 1024 caracteres

Casos de uso

Guías relacionadas

Embedding Models for Search & Science

Todos los modelos en Embeddings

Preguntas frecuentes

¿Qué es ESM-2 650M (Protein Embeddings)?

ESM-2 650M (Protein Embeddings) es un modelo de Meta en la categoría Embeddings. Aparece en el catálogo de Railwail pero no se puede ejecutar en este momento.

¿Cuánto cuesta ESM-2 650M (Protein Embeddings) en Railwail?

ESM-2 650M (Protein Embeddings) no se puede ejecutar en Railwail en este momento, por lo que no hay precio actual. Las alternativas disponibles con precios se enumeran más abajo en esta página.

¿Cuál es la ventana de contexto de ESM-2 650M (Protein Embeddings)?

La ventana de contexto de ESM-2 650M (Protein Embeddings) contiene 1024 tokens.

¿Qué velocidad tiene ESM-2 650M (Protein Embeddings)?

Aún no hay suficientes ejecuciones medidas de ESM-2 650M (Protein Embeddings) en Railwail para indicar un tiempo de ejecución. Depende de la entrada, la configuración y la carga en el proveedor.

¿Es ESM-2 650M (Protein Embeddings) mejor que OpenAI text-embedding-3-large?

Depende de la tarea. ESM-2 650M (Protein Embeddings) (Meta) y OpenAI text-embedding-3-large (OpenAI) son ambos modelos en la categoría Embeddings. La página de comparación muestra sus precios y especificaciones lado a lado.

Comparar ESM-2 650M (Protein Embeddings) y OpenAI text-embedding-3-large

¿Puedo usar ESM-2 650M (Protein Embeddings) ahora mismo?

Actualmente no disponible. La página se mantiene en línea; las alternativas disponibles de la misma categoría se enumeran más abajo.

Todos los modelos a través de una API

Una clave API para todos los modelos en Railwail. El uso se cobra desde créditos prepagados, 1 crédito = 0,01 US$.

Obtener clave API Explorar todos los modelos