/ Модель

Характеристики

Контекст
4 096 токенов
Лицензия
Apache 2.0
Архитектура
gLM2 · dense
Библиотека
transformers
Опубликована
14 июн 2026

gLM-150M

Заполнение пропусковТекст → текст3 профессии

gLM-150M — геномная языковая модель на 150 млн параметров для заполнения масок и анализа смешанных последовательностей ДНК и аминокислот.

65скачиваний 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

gLM-150M — перенос модели gLM2 на Hugging Face, поддерживаемый Taykhoom Dalal; исходную модель разработала команда Tatta Bio. Это плотная трансформерная модель с 150 млн параметров для предсказания замаскированных токенов в геномных последовательностях. Она обучена на корпусе OMG с целью masked language modeling и обрабатывает смешанные последовательности из токенов аминокислот и ДНК, различая их по регистру: заглавные буквы обозначают аминокислоты, строчные — нуклеотиды.

Архитектура включает 30 слоёв, 10 голов внимания и размерность эмбеддингов 640; длина контекста — 4096 токенов. Модель подходит для восстановления пропущенных элементов последовательности, анализа геномных контекстов и получения представлений последовательностей для последующей настройки на задачи уровня последовательности. В README указана побитовая проверка соответствия весам исходной модели для реализации SDPA.

Для использования опубликованы веса в формате safetensors, библиотека — Transformers; лицензия — Apache-2.0. Токенизатор сохраняет регистрозависимую семантику и не добавляет CLS или EOS автоматически, поэтому при задачах классификации требуется самостоятельно выбрать способ объединения представлений токенов. Модель специализирована на геномных данных и не предназначена для обычного естественного языка.

Сценарии применения

  • восстановление замаскированных нуклеотидов в последовательности ДНК
  • восстановление пропущенных аминокислот в белковой последовательности
  • получение эмбеддингов геномных последовательностей
  • извлечение контекстных представлений для последующей классификации последовательностей

Ограничения

Модель специализирована на геномных последовательностях и не предназначена для обычного естественного языка. Токенизатор не добавляет CLS или EOS автоматически, поэтому для задач уровня последовательности нужно самостоятельно выбрать способ объединения токенных представлений.

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

gLM-150M

Minimal HuggingFace port of the 150M parameter variant of gLM2 -- a mixed-modality genomic language model that encodes a genomic scaffold using both amino-acid and DNA tokens. Pretrained with masked language modeling on the OMG dataset.

Architecture

ParameterValue
Layers30
Attention heads10
Embedding dimension640
FFN hidden dimension1792 (SwiGLU, multiple_of=256)
Vocabulary size37
Positional encodingRoPE (base=10000, non-interleaved)
NormalizationRMSNorm
ArchitecturePre-LN Transformer with SwiGLU FFN
Max sequence length4096

Vocabulary: <cls>, <pad>, <eos>, <unk>, the 25 amino-acid letters (L A G V S E R T I D P K Q N F Y M H W C X B U Z O, uppercase), the 4 DNA nucleotides (a t c g, lowercase), strand markers <+> / <->, and <mask> / <sep>. Amino-acid and nucleotide tokens share the alphabet by case (uppercase = amino acid, lowercase = nucleotide).

Pretraining

  • Objective: Masked language modeling (30% mask rate)
  • Data: OMG dataset (open metagenomic corpus, semantically-deduplicated)
  • Pretraining tokens: 315B (bfloat16, context length 4096)
  • Source checkpoint: tattabio/gLM2_150M

Parity Verification

All 31 representation levels (embedding + 30 transformer blocks) verified to be bit-exact (max abs diff = 0.00) against the original tattabio/gLM2_150M weights with attn_implementation="sdpa". The added eager and flash_attention_2 backends agree within fp32 kernel drift (maximum full-network eager difference 4.43e-4) and bf16 cosine similarity >= 0.9994, respectively. Verified on an NVIDIA H100 with PyTorch 2.7 / CUDA 12.

Related Models

See the full gLM2 collection.

ModelParametersNotes
gLM-150M150MThis model
gLM-650M650MLarger variant

Usage

Embedding generation

import torch
from transformers import AutoTokenizer, AutoModel

tokenizer = AutoTokenizer.from_pretrained("Taykhoom/gLM-150M", trust_remote_code=True)
model = AutoModel.from_pretrained("Taykhoom/gLM-150M", trust_remote_code=True)
model.eval()

# Canonical gLM2 input: amino acids (uppercase) + DNA (lowercase) + strand markers.
sequence = (
    "<+>MALTKVEKRNRIKRRVRGKISGTQASPRLSVYKSNK"
    "<+>aatttaaggaa"
    "<->MLGIDNIERVKPGGLELVDRLVAVNRVTKVTKGGRAFGFSAIVVVGNED"
)
enc = tokenizer([sequence], return_tensors="pt")

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

token_emb = out.last_hidden_state             # (batch, seq_len, 640)
mask = enc.attention_mask.unsqueeze(-1).to(token_emb.dtype)
mean_emb = (token_emb * mask).sum(1) / mask.sum(1)  # masked mean pooling

# Intermediate layers
out_all = model(**enc, output_hidden_states=True)
layer15_emb = out_all.hidden_states[15]       # after block 15

The default tokenizer exactly preserves upstream case-sensitive semantics: uppercase letters are amino acids, lowercase letters are nucleotides, and no CLS or EOS token is inserted. Plain DNA/RNA preparation is available as an opt-in convenience; it lowercases, replaces U/u with t, and prepends <+>. The three calls below produce identical token sequences:

dna_tokenizer = AutoTokenizer.from_pretrained(
    "Taykhoom/gLM-150M", trust_remote_code=True, auto_prepare_dna=True
)
dna_tokenizer(["ATCGATCG", "atcgatcg", "AUCGAUCG"], return_tensors="pt")

MLM logits

from transformers import AutoTokenizer, AutoModelForMaskedLM

tokenizer = AutoTokenizer.from_pretrained("Taykhoom/gLM-150M", trust_remote_code=True)
model = AutoModelForMaskedLM.from_pretrained("Taykhoom/gLM-150M", trust_remote_code=True)
model.eval()

enc = tokenizer(["<+>MA<mask>K"], return_tensors="pt")
with torch.no_grad():
    logits = model(**enc).logits   # (1, seq_len, 37)

Faster attention backends

# SDPA (PyTorch 2.0+, default upstream backend) -- recommended for fp32
model = AutoModel.from_pretrained("Taykhoom/gLM-150M", trust_remote_code=True,
                                  attn_implementation="sdpa")

# Flash Attention 2 (requires flash-attn package) -- fastest on long sequences
model = AutoModel.from_pretrained("Taykhoom/gLM-150M", trust_remote_code=True,
                                  attn_implementation="flash_attention_2",
                                  dtype=torch.bfloat16)

Fine-tuning

Standard HF conventions. For sequence-level tasks, pool over non-padding positions before applying a prediction head. The tokenizer does not automatically add a CLS token.

Implementation Notes

The original gLM2 implementation uses PyTorch SDPA as the only attention backend. This HF port adds eager and flash_attention_2 as separate implementations selectable via attn_implementation, with eager falling back automatically when output_attentions=True is requested.

The eager kernel computes the QK matmul and softmax in fp32 even when the model is loaded in bf16, matching the numerical behaviour of SDPA and flash_attention_2 in mixed precision. When output_attentions=True, all backends use eager attention and return fp32 post-softmax probabilities.

The tokenizer preserves the upstream mixed-modality and case-sensitive behavior by default. Optional auto_prepare_dna=True is provided only for callers that explicitly want plain DNA/RNA normalization. Strand markers are exposed as additional special tokens so downstream masking utilities can exclude them.

Citation

@article{cornman2024_glm2,
  title   = {The {OMG} dataset: An Open MetaGenomic corpus for mixed-modality genomic language modeling},
  author  = {Cornman, Andre and West-Roberts, Jacob and Camargo, Antonio Pedro and Roux, Simon and Beracochea, Martin and Mirdita, Milot and Ovchinnikov, Sergey and Hwang, Yunha},
  journal = {bioRxiv},
  year    = {2024},
  doi     = {10.1101/2024.08.14.607850}
}

Credits

Original model and code by Cornman et al. (Tatta Bio). Source: GitHub, tattabio/gLM2_150M on the Hub. Hugging Face port maintained by Taykhoom Dalal.

License

Apache 2.0, following the original repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Нельзя запустить

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

Класс архитектуры
gLM2ForMaskedLM
Ревизия весов
58cef14

0 моделей