/ Модель

Характеристики

Контекст
4 000 токенов
Параметры
299 млн
Лицензия
Своя лицензия
Архитектура
aidodna · dense
Библиотека
transformers
Опубликована
9 июн 2026

AIDO.DNA-300M

Заполнение пропусковТекст → текст3 профессии

Компактная модель AIDO для предсказания скрытых нуклеотидов и получения представлений геномных последовательностей ДНК.

216скачиваний за 30 дней0лайковвеса обновлены26 авг 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

Taykhoom/AIDO.DNA-300M — 300-миллионная модель для геномной ДНК из набора AIDO (AI-Driven Digital Organism), разработанная Ellington et al. и перенесённая на Hugging Face Taykhoom Dalal. Это плотный Transformer с 24 слоями, 16 головами внимания, размером эмбеддинга 1024 и контекстом до 4000 токенов; модель доступна в формате safetensors и использует библиотеку Transformers.

Модель предварительно обучена на геномных последовательностях из набора Nucleotide Transformer с целью masked language modeling. Она принимает последовательности ДНК, разбитые на отдельные нуклеотиды, и подходит для предсказания скрытых нуклеотидов, извлечения представлений последовательностей и дообучения для задач классификации или других задач на геномных данных. Для максимальной точности автор README рекомендует более крупную AIDO.DNA-7B.

Токен U присутствует в словаре из-за совместимости с общей RNABert-токенизацией, но не встречался при обучении; следует использовать T вместо U. Лицензия указана как other, поэтому условия использования нужно уточнить в карточке модели. Порт сопоставлен с исходным контрольным чекпойнтом genbio-ai/GB.DNA-300M по скрытым состояниям и логитам MLM.

Сценарии применения

  • предсказание замаскированных нуклеотидов в последовательности ДНК
  • получение эмбеддингов геномных последовательностей
  • подготовка признаков для классификации последовательностей ДНК
  • дообучение модели для задач анализа геномных последовательностей

Ограничения

Токен U не обучался и не должен использоваться; вместо него следует подавать T. Для максимальной точности README рекомендует более крупную AIDO.DNA-7B, а лицензионные условия требуют уточнения.

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

AIDO.DNA-300M

300M-parameter DNA foundation model from the AIDO (AI-Driven Digital Organism) suite. This is a standalone HuggingFace port that loads without the ModelGenerator package.

Architecture

ParameterValue
Layers24
Attention heads16
Embedding dimension1024
FFN hidden dimension2688 (SwiGLU)
Vocabulary size16
Positional encodingRoPE (rotary_percent=1.0)
NormalizationLayerNorm
MLP activationSwiGLU
ArchitecturePre-LN Transformer (BERT-style encoder)
Max sequence length4000 (training context; RoPE has no hard limit)

Vocabulary: [PAD], [MASK], [CLS], [SEP], [UNK], A, G, C, T, U, N, [BOS], [EOS], [UNUSED1], [UNUSED2], [UNUSED3]

DNA sequences use single-nucleotide tokenization over A, C, G, T, N. Each sequence is wrapped as [CLS] ... [SEP].

Note on U: the vocabulary is the shared AIDO RNABert vocabulary, so a U token exists (id 9) and the tokenizer will accept it. However, AIDO.DNA was pretrained on DNA (A, C, G, T, N) and never saw U during training - its embedding row is effectively untrained (embedding norm ~1.77, in line with the unused special tokens, versus ~0.69-0.97 for the trained nucleotides A/G/C/T). Do not feed U to this model; use T for thymine. The token is retained only to keep vocab_size=16 consistent with the original weights.

Pretraining

  • Objective: Masked language modeling (MLM) on genomic DNA
  • Data: Genomes from the Nucleotide Transformer dataset (single-nucleotide tokens)
  • Source checkpoint: genbio-ai/GB.DNA-300M

Checkpoint selection

The 300M model is the smaller of the two released AIDO.DNA checkpoints, suitable for fast embedding generation and fine-tuning on modest hardware. For maximum accuracy use Taykhoom/AIDO.DNA-7B.

Parity Verification

Hidden-state representations compared against the original genbio-ai/GB.DNA-300M weights (loaded into the genbio RNABertForMaskedLM reference) at all 25 representation levels (embedding + 24 transformer layers). The embedding layer matches exactly, and the final post-LayerNorm hidden state and MLM logits match within 4e-6. Intermediate layer differences (up to ~2e-4) are floating-point accumulation noise in the un-normalized residual stream, normalized away by the final layer norm. Verified on PyTorch 2.7 / CUDA 12.

Related Models

See the full AIDO.DNA collection.

ModelParametersNotes
Taykhoom/AIDO.DNA-300M300MThis model
Taykhoom/AIDO.DNA-7B7BLargest DNA variant

Usage

Embedding generation

import torch
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("Taykhoom/AIDO.DNA-300M", trust_remote_code=True)
model = AutoModel.from_pretrained("Taykhoom/AIDO.DNA-300M", trust_remote_code=True)
model.eval()

sequences = ["ACGTACGTACGTACGT", "TTGCAACGTAGCTAGC"]
enc = tokenizer(sequences, return_tensors="pt", padding=True)

with torch.no_grad():
    out = model(**enc)

cls_emb   = out.last_hidden_state[:, 0, :]   # (batch, 1024) -- CLS token
token_emb = out.last_hidden_state             # (batch, seq_len, 1024)

# Intermediate layers
out_all = model(**enc, output_hidden_states=True)
layer3_emb = out_all.hidden_states[3]

MLM logits

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("Taykhoom/AIDO.DNA-300M", trust_remote_code=True)
model = AutoModelForMaskedLM.from_pretrained("Taykhoom/AIDO.DNA-300M", trust_remote_code=True)
model.eval()

enc = tokenizer(["ACGT[MASK]CGTA"], return_tensors="pt")
with torch.no_grad():
    logits = model(**enc).logits   # (1, seq_len, 16)

Fine-tuning

Standard HF conventions. Use cls_emb = out.last_hidden_state[:, 0, :] (CLS token) as input to a task-specific head for sequence-level tasks.

Implementation Notes

The original genbio-ai/GB.DNA-300M checkpoint requires the ModelGenerator package to load. This port is a clean standalone re-implementation:

  • All model logic is contained in modeling_aidodna.py and configuration_aidodna.py.
  • attn_implementation="sdpa" and attn_implementation="flash_attention_2" are added (not present in the original genbio-ai implementation).
  • Architecture: pre-LN Transformer with SwiGLU MLP and RoPE positional embeddings, identical to the AIDO.RNA family (RNABertForMaskedLM).

Citation

@article{ellington2024_aidodna,
  title   = {Accurate and General {DNA} Representations Emerge from Genome Foundation Models at Scale},
  author  = {Ellington, Caleb N. and Sun, Ning and Ho, Nicholas and Tao, Tianhua and Mahbub, Sazan and Li, Dian and Zhuang, Yonghao and Wang, Hongyi and Song, Le and Xing, Eric P.},
  journal = {bioRxiv},
  year    = {2024},
  doi     = {10.1101/2024.12.01.625444}
}

Credits

Original model and code by Ellington et al. Source: GitHub. Hugging Face port maintained by Taykhoom Dalal.

License

GenBio AI Community License, following the original repository. See LICENSE for details.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Класс архитектуры
AIDODNAForMaskedLM
Ревизия весов
bc9b6b7

0 моделей