/ Модель

Характеристики

Контекст
1 024 токена
Параметры
106 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
gemma · dense
Опубликована
27 июн 2024

plant-dnagemma-BPE

Генерация текстаТекст → текст3 профессии

Небольшая Gemma-модель zhangtaolab, предобученная на геномах растений для авторегрессионной генерации последовательностей ДНК.

273скачиваний за 30 дней1лайквеса обновлены14 окт 2024

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

Plant DNA LLM — семейство моделей, разработанное zhangtaolab для работы с последовательностями растительной ДНК. Эта версия построена на архитектуре Google Gemma с изменённой конфигурацией и специализированным токенизатором BPE для ДНК; модель содержит 106,4 млн параметров, а словарь токенизатора — 8000 единиц. В метаданных указан контекст 1024 токена, а при предобучении использовались последовательности длиной до 512 токенов.

Модель обучена авторегрессионным методом CausalLM на эталонных геномах растений из набора zhangtaolab/plant_reference_genomes. Она предназначена для генерации продолжений последовательностей ДНК и исследовательских задач в области геномики растений. Для запуска README указывает библиотеку Transformers.

Модель ориентирована на последовательности ДНК, поэтому её применение к обычному тексту не является целевым сценарием. Лицензия CC BY-NC-SA 4.0 требует атрибуции и распространяет производные материалы на тех же условиях; коммерческое использование ограничено условиями лицензии.

Сценарии применения

  • генерация продолжений последовательностей растительной ДНК
  • исследование языковых закономерностей в геномах растений
  • эксперименты с генеративными моделями для геномики растений

Ограничения

Контекст модели ограничен 1024 токенами; при предобучении использовались последовательности длиной до 512 токенов. Модель предназначена для последовательностей ДНК растений, и лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование.

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

Plant foundation DNA large language models

The plant DNA large language models (LLMs) contain a series of foundation models based on different model architectures, which are pre-trained on various plant reference genomes.
All the models have a comparable model size between 90 MB and 150 MB, BPE tokenizer is used for tokenization and 8000 tokens are included in the vocabulary.

Developed by: zhangtaolab

Model Sources

Architecture

The model is trained based on the Google Gemma model with modified config and tokenizer specific for DNA sequence.

How to use

Install the runtime library first:

pip install transformers

Here is a simple code for inference:

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_name = 'plant-dnagemma-BPE'
# load model and tokenizer
model = AutoModelForCausalLM.from_pretrained(f'zhangtaolab/{model_name}', trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(f'zhangtaolab/{model_name}', trust_remote_code=True)

# example sequence and tokenization
sequences = ['ATATACGGCCGNC','GGGTATCGCTTCCGAC']
tokens = tokenizer(sequences,padding="longest")['input_ids']
print(f"Tokenzied sequence: {tokenizer.batch_decode(tokens)}")

# inference
device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
model.to(device)
inputs = tokenizer(sequences, truncation=True, padding='max_length', max_length=512, 
                   return_tensors="pt")
inputs = {k: v.to(device) for k, v in inputs.items()}
outs = model(
    **inputs,
    output_hidden_states=True
)

# get the final layer embeddings and prediction logits
embeddings = outs['hidden_states'][-1].detach().numpy()
logits = outs['logits'].detach().numpy()

Training data

We use CausalLM method to pre-train the model, the tokenized sequence have a maximum length of 512.
Detailed training procedure can be found in our manuscript.

Hardware

Model was pre-trained on a NVIDIA RTX4090 GPU (24 GB).

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GemmaForCausalLM
Ревизия весов
cd3a21d

0 моделей