/ Модель

Характеристики

Контекст
1 024 токена
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
14 мая 2025

gpt2-dna

Генерация текстаТекст → текст3 профессии

Символьная GPT-2-модель, обученная предсказывать и генерировать последовательности человеческой ДНК.

401скачиваний за 30 дней0лайковвеса обновлены15 мая 2025

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

vesteinn/gpt2-dna — символьная GPT-2-подобная языковая модель для предсказания следующего основания в последовательностях человеческой ДНК. Она обучена на наборе simecek/Human_DNA_v0 и принимает символы A, C, G и T с токенизацией на уровне отдельных оснований. Архитектура — GPT-2 (GPT2LMHeadModel); контекст составляет 1024 токена, то есть основания ДНК.

Модель предназначена для генерации последовательностей ДНК, изучения геномных представлений и предсказания закономерностей на уровне оснований; её также можно дообучать для биологических задач классификации. В README указаны validation loss 1,0299 ната на токен и точность 53,24%; заявлено достижение примерно 1,486 бита на основание при сравнении энтропии с классическими компрессорами. Репозиторий использует Transformers и формат safetensors.

Модель обучена только на человеческой ДНК, поэтому не предназначена для последовательностей других видов. Она не моделирует обратные комплементарные последовательности и не обучалась с objective masked language modeling. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация последовательностей человеческой ДНК
  • предсказание следующего основания в геномной последовательности
  • изучение представлений человеческого генома
  • моделирование закономерностей последовательностей ДНК
  • дообучение для классификации биологических последовательностей

Ограничения

Модель обучена только на человеческой ДНК и не предназначена для других видов; она не учитывает обратные комплементарные последовательности и не обучалась для masked language modeling. Лицензия в предоставленных данных не указана.

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

DNA Language Model (Char-level, Human-only)

This model is a character-level GPT-style language model trained exclusively on human DNA. It uses a custom tokenizer with a vocabulary of A, C, G, T, and a special end-of-text token, trained to predict the next base in 1024-base sequences.


🧬 Model Summary

  • Objective: Next-token prediction over human genomic sequences
  • Tokenization: Character-level (A, C, G, T)
  • Training data: simecek/Human_DNA_v0
  • Sequence length: 1024 tokens
  • Final Validation Loss: 1.0299 nats/token
  • Final Validation Accuracy: 53.24%

This model outperforms classical compressors like GeCo on human DNA entropy, achieving ~1.486 bits per base.


🔧 Tokenizer

The tokenizer is a minimal GPT-2-style vocabulary:

{
  "<|endoftext|>": 0,
  "A": 1,
  "C": 2,
  "G": 3,
  "T": 4
}
  • Implemented via GPT2TokenizerFast
  • Merges file is empty (no BPE applied)

📊 Dataset Preprocessing

  • Original dataset is cleaned to keep only A, C, G, T
  • Sequences are chunked into segments of length 1024
  • Very short chunks (<200bp) are discarded
  • A 10% split validation is made from the training set.

🚀 Intended Uses

This model can be used for:

  • DNA sequence generation
  • Genomic representation learning
  • Predictive modeling for base-level structure
  • Downstream fine-tuning for biological classification tasks

Limitations

  • Trained only on human genome; not suitable for other species
  • No reverse-complement modeling
  • No masked language modeling objective

🏋️ Training Details

Hyperparameters

  • learning_rate: 0.0003
  • train_batch_size: 64
  • eval_batch_size: 8
  • total_train_batch_size: 256 (across 4 GPUs)
  • total_eval_batch_size: 32
  • optimizer: AdamW (betas=(0.9, 0.999), epsilon=1e-08)
  • lr_scheduler: Linear with 1000 warmup steps
  • epochs: 10.0
  • mixed_precision: Native AMP

Hardware

  • Multi-GPU training (4 devices)
  • Transformers 4.52.0.dev0
  • PyTorch 2.3.0+cu121

📈 Training Results

StepEpochTraining LossValidation LossAccuracy
50000.691.12521.12060.4745
100001.381.08351.08140.4991
150002.071.06411.06390.5103
200002.761.05631.05470.5163
250003.451.05041.04860.5204
300004.141.04391.04390.5233
350004.841.04251.04070.5254
400005.521.03651.03800.5271
450006.221.03251.03610.5284
500006.911.03221.03410.5296
550007.601.03071.03280.5305
600008.291.02671.03160.5313
650008.981.02731.03060.5320
700009.671.02701.02990.5324

🔗 References


📄 Citation

This model is part of ongoing research. A formal citation will be added when the associated paper is published.

If you use this model in academic work, please check back for updates.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
2016e4e

0 моделей