/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
30,7 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
22 янв 2026

Qwen_smol_GH114

Генерация текстаТекст → текст3 профессии

Генеративная модель Qwen2 для работы с 3Di-последовательностями белков и задач обучения с подкреплением, связанных с ферментами семейства GH114.

554скачиваний за 30 дней0лайковвеса обновлены22 янв 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

NorseDrunkenSailor/Qwen_smol_GH114 — специализированная белковая языковая модель разработчика NorseDrunkenSailor на архитектуре Qwen2. Это авторегрессионная генеративная модель на 30,7 млн параметров, предобученная на датасете westlake-repl/AF2_UniRef50 с алфавитом SaPROT 3Di, учитывающим структурные признаки белков, а затем дообученная на структурных гомологах доменов, связанных с семейством ферментов GH114. Длина контекста — 32 768 токенов.

Модель предназначена прежде всего как базовая точка для задач обучения с подкреплением и выравнивания моделей, ориентированных на ферменты GH114, а также для генерации и оценки вероятности 3Di-последовательностей белков. Она создана для воркшопа EnzymeML на AMLD Intelligence Summit 2026. Использовать можно через библиотеку Transformers; веса опубликованы в формате Safetensors.

Модель специализируется на структурных и последовательностных свойствах GH114 и близких белков, поэтому её область применения уже, чем у универсальных языковых моделей. Веса распространяются по лицензии Apache-2.0.

Сценарии применения

  • генерация 3Di-последовательностей белков, связанных с GH114
  • оценка вероятности структурно кодированных белковых последовательностей
  • подготовка базовой модели для RL-выравнивания ферментов GH114
  • изучение структурных гомологов доменов, связанных с GH114

Ограничения

Модель специализирована на структурно кодированных последовательностях и доменах, связанных с GH114; она не предназначена как универсальная модель для обычного текста. README описывает небольшой учебный прогон и целевое применение для RL-выравнивания, поэтому пригодность для других семейств белков не установлена.

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

Qwen2 SaPROT-3Di CLM for GH114

Model Description

This is a Qwen2-style protein language model trained on SaPROT 3Di-aware protein sequences. Unlike SaPROT it is a CLM rather than a MLM, so it's generative (This becomes useful for DPO and the TRL-trainer from HF).

This model serves as a specialized base model designed for GH114 reinforcement alignment. It captures the structural and sequence properties of glycoside hydrolase family 114 (GH114) enzymes and their structural neighbors.

This model was specifically developed for the AMLD Intelligence Summit 2026 EnzymeML workshop.

Training Details

Pre-training

The model was pre-trained on the westlake-repl/AF2_UniRef50 dataset. This provides a robust foundation of protein structure-sequence understanding using the SaPROT 3Di alphabet. Batch Size 896 with 512 sequence length @ 10k Steps (smol training run). 4.58 billion-tokens. Final Train Loss 3.3809 Validation Loss 3.4621.

Fine-tuning

Following pre-training, the model was fine-tuned on a curated dataset of ≈700,000 structural homologs. These homologs were selected based on shared InterPro domains with the GH114 dataset (IPR004352, IPR017853, IPR013785, IPR000254), ensuring the model is highly sensitive to the structural motifs relevant to this specific enzyme family. Anything within 90% sequence identity from the 55 GH114 sequences was removed from the training set. Two validation sets were used concurrently to monitor distribution overfitting (i.i.d) and the out-of-distribution generalization on the homologs of interest. 4k Steps. 896 batch size, 512 max len. Train Loss 1.7648 Validation Loss 1.8568.

Intended Use

  • Primary Use: As a base model for Reinforcement Learning (RL) alignment tasks targeting the FLOPP GH114 enzymes. log p(x).
  • Context: AMLD Intelligence Summit 2026 (EnzymeML Workshop).
  • Input: 3Di-encoded protein sequences (structure-aware tokens).

How to Use

You can load this model using the Hugging Face transformers library.

Note: Ensure your input sequences are converted to the 3Di format (Foldseek alphabet) before passing them to the model.

from transformers import AutoModelForCausalLM, AutoTokenizer

# Load model and tokenizer
model_name = "NorseDrunkenSailor/Qwen_smol_GH114"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)

# Example input (3Di sequence)
sequence = "M#L#HdSdLdLdAdAdSdFdAd" 
inputs = tokenizer(sequence, return_tensors="pt")

# Generate continuation or embeddings
outputs = model.generate(**inputs, max_new_tokens=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Acknowledgements & Citations

This model relies on the 3Di alphabet from Foldeek and the SaProt idea of using these concatenated 3Di-sequence tokens in a PLM.

'''bibtex @article{su2023saprot, title={SaProt: Protein Language Modeling with Structure-aware Vocabulary}, author={Su, Jin and Han, Chenchen and Zhou, Yuyang and Shan, Junjie and Zhou, Xibin and Yuan, Fajie}, journal={bioRxiv}, year={2023}, publisher={Cold Spring Harbor Laboratory} }

@article{van2023foldseek, title={Foldseek: fast and accurate protein structure search}, author={van Kempen, Michel and et al.}, journal={Nature Biotechnology}, year={2024} } '''

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
a74baee

0 моделей