Характеристики

Лицензия: Gemma
Архитектура: gemma4 · dense
Базовая модель: gemma-4-E2B-it
Библиотека: transformers
Опубликована: 22 июн 2026

Ссылки

bio-posttrain-gemma4-e2b-rna-sft

Изображение и текст → текст3 профессии

Дообученная Gemma-4-E2B для диалоговой работы с биологическими данными РНК, принимающая заранее рассчитанные эмбеддинги последовательностей.

33скачиваний за 30 дней0лайковвеса обновлены22 июн 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Bio-posttrain Gemma-4-E2B RNA SFT — дообученная модель на базе google/gemma-4-E2B-it из коллекции Bio-posttrain, связанной с исследованием влияния постобучения на биологические модели рассуждения. Она предназначена для диалоговой работы с представлениями РНК: на вход при инференсе подаются заранее рассчитанные эмбеддинги последовательностей TranscriptFormer размерности 2048, которые проецируются в пространство скрытых представлений Gemma. Чекпойнт включает объединённые веса модели и проекцию RNA; в README также указаны параметры LoRA rank 32 и alpha 64, использованные при настройке. Для загрузки описан стек Transformers.

Модель рассчитана на биологические сценарии, связанные с РНК и рассуждениями о ней. Метаданные Hugging Face помечают её как image-text-to-text и указывают возможности чата и зрения, однако README описывает RNA-эмбеддинги как дополнительный вход и не приводит конкретных задач анализа изображений. Лицензия указана как gemma; следует учитывать условия лицензии Gemma. В README приведена validation loss 0.9227, но она сама по себе не характеризует качество на пользовательских задачах.

Сценарии применения

диалоговые ответы на вопросы о представлениях РНК
биологические рассуждения по эмбеддингам последовательностей РНК
эксперименты по постобучению языковых моделей для биологии

Ограничения

Для инференса требуются заранее рассчитанные эмбеддинги TranscriptFormer и отдельная проекционная матрица; README отсылает к коду BioReason для подготовки входа. README не приводит результатов оценки на конкретных прикладных задачах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Bio-posttrain Gemma-4-E2B RNA SFT

RNA supervised fine-tuning (SFT) checkpoint from How Post-Training Shapes Biological Reasoning Models.

Model details

Base model: google/gemma-4-E2B-it
RNA embeddings: Precomputed TranscriptFormer (2048-d), projected via rna_projection.pt
LoRA: rank 32, alpha 64
Validation loss: 0.9227

Files

File	Description
`model.safetensors`	Merged LLM weights
`rna_projection.pt`	Linear map RNA embed (2048) → text hidden
`rna_model_config.json`	Architecture metadata

Loading

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model = AutoModelForCausalLM.from_pretrained("mims-harvard/bio-posttrain-gemma4-e2b-rna-sft", trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained("mims-harvard/bio-posttrain-gemma4-e2b-rna-sft")
proj = torch.load("rna_projection.pt", map_location="cpu")

RNA sequence embeddings are supplied offline at inference time. See the rna_models code in the BioReason repository.

Collection

Part of the Bio-posttrain collection.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: Gemma4ForConditionalGeneration
Ревизия весов: 33925e7