/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
336 млн
Размер весов
3,4 ГБ
Архитектура
esmc_ar · dense
Библиотека
transformers
Опубликована
9 сен 2026

esmc-ar-848m-ple-5b

Генерация текстаТекст → текст3 профессии

Авторегрессионная белковая модель, обученная с нуля для генерации продолжений аминокислотных последовательностей.

99скачиваний 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-848m-ple-5b — авторегрессионная белковая языковая модель, разработанная автором репозитория и обученная с нуля на 5 млрд токенов аминокислотных последовательностей. Это не исходная ESMC-300M и модель не использует её предобученные веса. В метаданных указано 335,6 млн параметров, тогда как README заявляет 848 446 464 параметра; размер модели в источниках расходится. Архитектура на основе блоков ESMC адаптирована для причинного предсказания следующего токена и дополнена PLE — обучаемыми n-граммными эмбеддингами в 32 слоях. Модель принимает аминокислотные последовательности и генерирует продолжения; контекст обучения составляет 2048 токенов. Она предназначена для экспериментов с генерацией белковых последовательностей, однако качество генерации и биологическая функциональность не оценивались.

Для генерации нужен непустой аминокислотный префикс, а суммарная длина префикса и продолжения должна укладываться в 2048 токенов. KV-кэширование не реализовано, поэтому при генерации контекст пересчитывается; настройки по умолчанию подавляют все выходные токены, кроме 20 стандартных аминокислот, включая EOS, поэтому необходимо явно задать max_new_tokens. Для текстов со строками аминокислот следует использовать встроенный токенизатор; сырые ID токенов ProGen3 напрямую несовместимы. README описывает проверку согласованности экспорта, но не биологическую валидацию. Репозиторий содержит веса safetensors и файлы для инференса; сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • генерация продолжения белковой последовательности по аминокислотному префиксу
  • эксперименты с авторегрессионным моделированием белков
  • сравнение архитектур и методов обучения белковых языковых моделей

Ограничения

Качество генерации и биологическая функциональность не оценивались; KV-кэширование отсутствует, а контекст ограничен 2048 токенами. README не приводит сведения о лицензии.

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 848M + PLE, trained on 5B tokens

A protein autoregressive model trained from scratch for 5,000,000,000 prediction tokens, with 848,446,464 parameters and large per-layer n-gram embeddings (PLE). This is the completed stage1-ple-large-shuffled experiment, final checkpoint 19,074, finished on September 10, 2026 (Asia/Shanghai). It does not use GatedResidual. The separate PLE + GatedResidual experiment is a different model.

The architecture adapts ESMC-style blocks to causal next-token prediction and adds Qwen4-Exp-style PLE. It is not the original ESMC-300M masked language model and does not load its pretrained weights. Training code: https://github.com/huyiwen/bio-next

Load and generate

Tested with PyTorch 2.5.1 and Transformers 4.51.0. This repository includes the configuration, portable inference Python files, tied FP32 safetensors weights, tokenizer, generation configuration, training configuration and export verification. The tokenizer accepts amino-acid strings directly.

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "IvanHU/esmc-ar-848m-ple-5b"
tokenizer = AutoTokenizer.from_pretrained(repo)
model = AutoModelForCausalLM.from_pretrained(
    repo, trust_remote_code=True, torch_dtype=torch.float32,
).cuda().eval()
inputs = tokenizer("MKWVTFISLLFLFSSAYS", return_tensors="pt").to("cuda")
with torch.inference_mode(), torch.autocast("cuda", dtype=torch.bfloat16):
    output = model.generate(**inputs, max_new_tokens=64, do_sample=True,
                            temperature=0.8, top_p=0.95, use_cache=False)
print(tokenizer.decode(output[0], skip_special_tokens=True))

PLE generation currently recomputes the full context and requires use_cache=False; KV caching is not implemented for its n-gram/convolution history. Keep prefix plus continuation within the 2048-token training context. Default generation suppresses all output slots except the 20 standard amino acids, including EOS, so use an explicit max_new_tokens. Use a nonempty amino-acid prefix. Generation quality and biological functionality have not been evaluated; exported example generation is a software check, not a biological validation.

Architecture and training

  • 32 layers, hidden size 1024, 8 query heads and 2 KV heads, head dimension 128.
  • Partial RoPE dimension 64; per-head QK RMSNorm; gated attention.
  • SwiGLU intermediate size 2560 with softcap 7; rank-16 sigmoid LoRA GatedNorm.
  • Zero-centered RMSNorm gamma; tied input/output embeddings, 64 model vocabulary slots.
  • PLE in all 32 layers: dimension 384, n-gram orders 2/3/4, 8 heads per order, prime-table base 32768, convolution width 4, seed 1234.
  • Muon plus AdamW; peak learning rates 3e-4, 100M-token warmup, cosine decay to 3e-5.
  • Eight RTX 3090 GPUs; shuffled real data with sequence packing and independent fragment attention/position boundaries; ordinary global batch 262,144 prediction tokens. The final batch is shortened to finish at exactly 5B tokens.

training_config.json records the complete settings; export_info.json records checkpoint provenance. FP32 checkpoint versus HF logits had maximum absolute error 1.15e-5 on the verification prompts; generation with padded batches matched separate unpadded generation. BF16 autocast probability total variation was at most 0.00733 on those prompts. See verification.json; this is a limited inference parity test.

Dataset token IDs versus model token IDs

The source dataset QingWY/protein-pretraining-data stores ProGen3 token IDs. Before training, those IDs were converted to ESMC token IDs by amino-acid identity. The bundled tokenizer matches the actual trained embedding/output rows. For example, ProGen3 A:8 maps to model A:5, and L:19 maps to L:4.

Do not feed raw ProGen3 IDs directly to this model or replace only its tokenizer. Raw amino-acid strings work directly with the bundled tokenizer, without adding synthetic BOS/EOS. The exact mapping is included in progen3_to_esmc_mapping.json. To convert existing tokenized data, use convert_progen3_to_esmc.py with an explicit --mapping progen3_to_esmc_mapping.json; see --help and TOKEN_CONVERSION.md.

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
e96e33d

0 моделей