/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
336 млн
Архитектура
esmc_ar · dense
Библиотека
transformers
Опубликована
9 сен 2026

esmc-ar-371m-5b

Генерация текстаТекст → текст3 профессии

Авторегрессионная модель ESMC-AR для генерации белковых последовательностей по аминокислотному префиксу.

91скачиваний за 30 дней0лайковвеса обновлены9 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

IvanHU/esmc-ar-371m-5b — плотная авторегрессионная языковая модель белковых последовательностей, разработанная автором репозитория и обученная с нуля на датасете QingWY/protein-pretraining-data. Она предсказывает следующий токен аминокислотной последовательности; обучение завершено на 5 млрд токенов. Модель использует архитектуру ESMC-AR с 32 слоями, скрытым размером 1024, grouped-query attention и частичным RoPE. Веса сохранены в safetensors в формате FP32; для инференса README также описывает загрузку в BF16. Контекст — до 2048 токенов.

Модель предназначена для генерации белковых последовательностей по непустому аминокислотному префиксу и исследования авторегрессионного моделирования белков. Токенизатор использует совместимое с ESMC отображение аминокислот; обучающие фрагменты содержат 20 стандартных аминокислот. Биологическая функциональность и качество не проверялись бенчмарками или экспериментами, поэтому результаты не следует считать подтверждением функциональности белков. Обучение остановлено на базовом чекпойнте, а проверка реализации подтверждает лишь согласованность загрузки и генерации. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация белковых последовательностей по заданному префиксу
  • исследование авторегрессионного предсказания аминокислот
  • создание кандидатов белковых последовательностей для последующей оценки

Ограничения

Биологическое качество и функциональность не оценивались; модель не проверена на контекстах длиннее 2048 токенов. Обучение не включало биологическое завершение белка, поэтому задавайте аминокислотный префикс и ограничение длины генерации.

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

ESMC-AR 371M — 5B-token baseline

A 371,368,960-parameter, dense autoregressive protein language model trained from scratch on 5,000,000,000 prediction tokens from QingWY/protein-pretraining-data. This is the completed baseline at optimizer step 19,074, not the PLE experiment. It adapts the ESMC architecture to a causal next-token objective; it does not use the pretrained ESMC-300M weights or the original masked objective.

Load and generate

Log in with a Hugging Face account that has repository access if this repository is private. Requires PyTorch, Transformers, safetensors and tokenizers. Tested with PyTorch2.5.1 and Transformers4.51.0; no training repository or FlashAttention installation required.

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM

repo = "IvanHU/esmc-ar-371m-5b"
tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(
    repo, trust_remote_code=True, torch_dtype=torch.float32,
).to("cuda").eval()
batch = tokenizer(["MALWMRLLPLL", "MKWVTFISLLFLFSSAYS"],
                  padding=True, return_tensors="pt").to(model.device)
with torch.inference_mode(), torch.autocast("cuda", dtype=torch.bfloat16):
    ids = model.generate(**batch, max_new_tokens=64, do_sample=True,
                         temperature=0.8, top_p=0.95)
print(tokenizer.batch_decode(ids, skip_special_tokens=True))

Weights are stored in FP32 safetensors (about1.49GB) to preserve the training checkpoint. For lower-memory inference, load with torch_dtype=torch.bfloat16. For CPU, keep FP32 and omit CUDA/autocast. See INFERENCE.md.

Architecture and training

SettingValue
Layers / hidden size32 /1024
AttentionGQA:8 Q heads,2 KV heads,128 dimensions/head
Positional embeddingPartial RoPE,64 rotary dimensions,theta10000
MLPSwiGLU, intermediate2560; smooth product softcap7
NormalizationLow-rank gated zero-centered RMSNorm, gate rank16
QK normalizationPer-head RMSNorm
Attention outputSigmoid gate
Vocabulary64 slots, tied input/output embeddings
PLE / short conv / multi-stream GatedResidualDisabled
Final logits clampDisabled
Maximum training fragment length2048
Global batch262,144 prediction tokens (final step shortened to exact budget)
OptimizersMuon (5 PolarExpress NS steps, align-RMS0.2) + AdamW
AdamW betas / epsilon(0.95,0.95) /1e-15
LR3e-4,100M-token warmup, cosine to3e-5
Weight decay0.1, standard decoupled decay
Data orderProtein-row shuffle across shards, rank-disjoint sampling
PackingEnabled; independent causal attention and positions per fragment
Hardware8×RTX3090

Tokenizer IDs use the ESMC-compatible mapping, not raw ProGen3 IDs. Automatic BOS/EOS insertion is disabled. Training fragments contain the20 standard amino acids; generation defaults suppress unused slots and special tokens. Provide a nonempty amino-acid prefix and a bounded generation length: biological end-of-protein termination was not trained.

Verification and scope

verification.json records comparison against the final training checkpoint, left-padded batching, tied embeddings, generation and KV cache validation. FP32 maximum logit discrepancy was1.53e-5; the largest measured BF16-autocast probability total-variation discrepancy was0.00324. These checks establish implementation consistency, not biological quality. No biological functionality benchmark or experimental validation is claimed.

The model has not been evaluated for contexts beyond2048 positions. Training implementation: https://github.com/huyiwen/bio . Optional future architecture extensions: https://github.com/huyiwen/bio-next .

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
EsmcARForCausalLM
Ревизия весов
2c585c2

0 моделей