/ Модель

Характеристики

Контекст
1 024 токена
Параметры
135 млн
Лицензия
Apache 2.0
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
25 авг 2026

ModernGENA-base

Заполнение пропусковТекст → текст3 профессии

Базовый энкодер ModernBERT, предобученный на геномах позвоночных для восстановления замаскированных токенов ДНК и получения представлений последовательностей.

75скачиваний 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

ModernGENA-base — базовая модель для анализа последовательностей ДНК, подготовленная как репозиторий Hugging Face Taykhoom и основанная на исходном чекпойнте AIRI Institute. Это энкодер ModernBERT со 136,1 млн параметров, 22 слоями и 12 головами внимания; он обучен предсказывать замаскированные токены в геномных последовательностях позвоночных. Словарь GENA-LM BPE содержит 32 000 токенов для ДНК и символов IUPAC, а максимальный контекст составляет 1024 токена.

Модель подходит для заполнения масок в ДНК-последовательностях и получения представлений последовательностей, которые можно использовать как основу для дообучения под классификацию и другие задачи анализа геномики. При предобучении использовались 443 сборки геномов позвоночных, включая прямые и обратнокомплементарные цепи. Для загрузки пользовательского класса требуется включить trust_remote_code=True. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • восстановление замаскированных участков последовательности ДНК
  • получение векторных представлений геномных последовательностей
  • подготовка энкодера для дообучения на классификацию последовательностей ДНК

Ограничения

Модель обучена на геномных последовательностях позвоночных; её словарь и токенизатор рассчитаны на ДНК и символы IUPAC, а не на обычный текст. Для пользовательского класса при загрузке требуется trust_remote_code=True.

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

ModernGENA-base

Minimal HuggingFace repackage of the base variant of ModernGENA -- a ModernBERT DNA encoder pretrained on vertebrate genomes with masked language modeling.

Architecture

ParameterValue
Parameters136,120,832 (136.1M)
Layers22
Attention heads12
Embedding dimension768
FFN hidden dimension1152 (GeGLU; 2304-wide input/gate projection)
Vocabulary size32768 model rows; 32000 tokenizer entries
Positional encodingRoPE (global and local theta=10000)
NormalizationBias-free LayerNorm (epsilon=1e-5)
ArchitecturePre-norm ModernBERT encoder with hybrid local/global attention
Local attention window128
Global attentionEvery 3 layers, starting at layer 0
Max sequence length1024

Vocabulary: 32,000-entry GENA-LM BPE vocabulary over DNA and IUPAC symbols, including [UNK], [CLS], [SEP], [PAD], [MASK], and -. The model reserves 32,768 embedding/output rows.

Pretraining

  • Objective: Masked language modeling.
  • Data: 443 vertebrate genome assemblies totaling 353,574,093,776 bp; forward and reverse-complement strands were included.
  • Sampling: Regions around unique transcription start sites ([-16 kbp, +8 kbp]), with overlapping intervals merged.
  • Source checkpoint: AIRI-Institute/moderngena-base/model.safetensors.

Parity Verification

All 23 representation levels (embedding + 22 transformer blocks), plus the final LayerNorm output and masked-LM head, were verified to be bit-exact (max abs diff = 0.00) against the original AIRI checkpoint for matching eager, SDPA, and Flash Attention 2 backends. Verified on GPU with PyTorch 2.7.1, CUDA 12.9, transformers 4.57.6, and flash-attn 2.7.4.post1.

Related Models

See the full ModernGENA collection.

ModelParametersNotes
ModernGENA-base136.1MThis model
ModernGENA-large377.8MLarger variant

Usage

Embedding generation

import torch
from transformers import AutoModel, AutoTokenizer

repo_id = "Taykhoom/ModernGENA-base"
tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModel.from_pretrained(
    repo_id,
    trust_remote_code=True,
    attn_implementation="sdpa",
).eval()

sequences = ["ATCGATCGATCG", "GCTAGCTA"]
encoded = tokenizer(sequences, return_tensors="pt", padding=True)

with torch.no_grad():
    output = model(**encoded, output_hidden_states=True)

token_embeddings = output.last_hidden_state       # (batch, seq_len, 768)
cls_embeddings = output.last_hidden_state[:, 0]   # (batch, 768)
layer_12 = output.hidden_states[12]

For mean pooling, exclude padding with encoded["attention_mask"]. The hidden_states tuple contains the embedding output and each block output; last_hidden_state additionally applies the model's final LayerNorm.

MLM logits

import torch
from transformers import AutoModelForMaskedLM, AutoTokenizer

repo_id = "Taykhoom/ModernGENA-base"
tokenizer = AutoTokenizer.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForMaskedLM.from_pretrained(
    repo_id,
    trust_remote_code=True,
    attn_implementation="sdpa",
).eval()

encoded = tokenizer(["ATCGATCG"], return_tensors="pt")
encoded["input_ids"][0, 2] = tokenizer.mask_token_id
with torch.no_grad():
    logits = model(**encoded).logits  # (1, seq_len, 32768)

The pretrained MLM head is a bias-free dense projection, SiLU, bias-free LayerNorm, and a tied vocabulary decoder with bias.

Faster attention backends

import torch
from transformers import AutoModel

repo_id = "Taykhoom/ModernGENA-base"

# PyTorch SDPA (recommended general-purpose backend).
model = AutoModel.from_pretrained(
    repo_id,
    trust_remote_code=True,
    attn_implementation="sdpa",
)

# Flash Attention 2 (requires flash-attn and an Ampere-or-newer CUDA GPU).
model = AutoModel.from_pretrained(
    repo_id,
    trust_remote_code=True,
    attn_implementation="flash_attention_2",
    dtype=torch.bfloat16,
)

Use attn_implementation="eager" when attention probabilities are needed. In transformers 4.57.6, SDPA falls back to eager for output_attentions=True; Flash Attention 2 does not and returns an empty attention tuple.

Fine-tuning

Standard HuggingFace conventions apply. Add a task head to AutoModel, or load AutoModelForSequenceClassification and fine-tune the newly initialized classification head with the backbone. For sequence-level tasks, use attention-mask-aware mean pooling or the [CLS] representation.

Implementation Notes

ModernGenaForMaskedLM uses the standard ModernBERT backbone and MLM head with a narrow Flash Attention 2 compatibility shim. When the MLM model requests hidden states, the shim keeps the unpadded final representation token-major until the MLM head has run, then uses ModernBERT's standard repadding. Eager, SDPA, Flash, hidden-state, logits, and loss numerics are otherwise unchanged. Load with trust_remote_code=True to enable this class.

The tokenizer strips surrounding whitespace, replaces runs of 10 or more N characters with the isolated - token, applies BPE, and wraps each sequence with [CLS] and [SEP]; it does not uppercase input. AIRI's config retains unused ModernBERT defaults bos_token_id=50281, eos_token_id=50282, and position_embedding_type="absolute". Encoding actually uses tokenizer IDs 1/2 for [CLS]/[SEP] and RoPE positions. These inert AIRI fields are preserved unchanged.

Eager attention probabilities are normalized in evaluation mode, where dropout is disabled. During training they include attention dropout, so rows are not guaranteed to sum to one.

Citation

@article{aspidova2026_moderngena,
  title   = {Back to {BERT} in 2026: {ModernGENA} as a Strong, Efficient Baseline for {DNA} Foundation Models},
  author  = {Aspidova, Alena and Kuratov, Yuri and Shadskiy, Artem and Burtsev, Mikhail and Fishman, Veniamin},
  journal = {bioRxiv},
  year    = {2026},
  doi     = {10.64898/2026.04.21.719816}
}

Credits

Original model and code by Aspidova et al. Source: AIRI checkpoint and GENA-LM. The HuggingFace repackaging was authored primarily by

License

Apache 2.0, following the original AIRI repository.

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
ModernGenaForMaskedLM
Ревизия весов
40b8412

0 моделей