/ Модель

Характеристики

Контекст
512 токенов
Параметры
117 млн
Лицензия
MIT
Архитектура
bert · dense
Библиотека
transformers
Опубликована
27 июл 2026

base-100k

Заполнение пропусковТекст → текст3 профессии

BERT-модель EvoLen, предобученная на геноме человека для анализа последовательностей ДНК, извлечения признаков и дообучения на геномные задачи.

13скачиваний за 30 дней0лайковвеса обновлены2 сен 2026

Бенчмарки

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

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

EvoLenTokenizer/base-100k — BERT-base-модель EvoLen для анализа последовательностей человеческой ДНК. Она разработана в рамках исследования EvoLen: Evolution-Guided Tokenization for DNA Language Model и обучена предсказывать замаскированные токены в геномных последовательностях. Архитектура включает 12 слоёв, 768 скрытых единиц, 12 голов внимания и словарь из 5 120 токенов; контекст составляет 512 токенов.

Модель предназначена для извлечения признаков и дообучения для задач анализа генома, включая классификацию регуляторных элементов и задачи ATAC-seq. Предобучение выполнено на референсном геноме человека hg38; оценка на отложенной части того же корпуса показала loss 5,0825, accuracy 0,2308 и perplexity 161,17.

Модель принимает токенизированные последовательности ДНК и выдаёт контекстные представления или предсказания замаскированных токенов. Перенос на другие организмы и неконсервативные последовательности может требовать дополнительной адаптации. Лицензия — MIT.

Сценарии применения

  • извлечение признаков из последовательностей ДНК
  • предсказание замаскированных токенов в геноме
  • дообучение для классификации регуляторных элементов
  • анализ данных ATAC-seq

Ограничения

Обучена на референсном геноме человека hg38 и может плохо переноситься на другие организмы или неконсервативные последовательности без адаптации.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

model_base_5120

This model is a BERT-based masked language model with a 5,120-token vocabulary, trained on human genomic sequences as part of the EvoLen study: EvoLen: Evolution-Guided Tokenization for DNA Language Model.

Model description

The model uses a BERT-base architecture (12 layers, 768 hidden units, 12 attention heads) and was trained with a masked language modeling objective on DNA sequences tokenized into 512-token windows. It can be used as a foundation model for downstream DNA sequence tasks or for feature extraction.

Intended uses & limitations

This model is intended for research on DNA language modeling, including fine-tuning on genomic benchmarks such as regulatory element classification and ATAC-seq tasks. It was trained on human reference genome (hg38) data and may not generalize to other organisms or non-conserved sequences without further adaptation.

Training and evaluation data

The model was pretrained on the human genome (hg38) using masked language modeling. Evaluation was performed on a held-out split of the same corpus. The evaluation results are:

  • Loss: 5.0825
  • Accuracy: 0.2308
  • Perplexity: 161.17

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 4e-05
  • train_batch_size: 96
  • eval_batch_size: 96
  • seed: 42
  • distributed_type: multi-GPU
  • num_devices: 8
  • total_train_batch_size: 768
  • total_eval_batch_size: 768
  • optimizer: Adam with betas=(0.9,0.98) and epsilon=1e-06
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_steps: 10000
  • training_steps: 100000

Training results

  • Train loss: 5.6056
  • Eval loss: 5.0825
  • Eval accuracy: 0.2308
  • Perplexity: 161.17

Framework versions

  • Transformers 4.35.2
  • Pytorch 2.8.0+cu128
  • Datasets 4.4.1
  • Tokenizers 0.15.2

Citation

If you use this model, please cite:

@inproceedings{huang2026evolen,
  title     = {EvoLen: Evolution-Guided Tokenization for DNA Language Model},
  author    = {Huang, Nan and Zhou, Xiaoxiao and Cui, Junxia and
               Tapia-Pacheco, Mario and Amariuta, Tiffany and Li, Yang and
               Shang, Jingbo},
  booktitle = {Conference on Language Modeling (COLM)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
6337c73

0 моделей