/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
CC BY-NC-SA 4.0
Архитектура
gpt2 · dense
Опубликована
27 июн 2024

plant-dnagpt-BPE

Генерация текстаТекст → текст3 профессии

GPT-2-модель zhangtaolab, предварительно обученная на геномах растений для генерации последовательностей ДНК и геномных исследований.

607скачиваний за 30 дней2лайкавеса 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-DNAGPT-BPE — модель семейства GPT-2, разработанная zhangtaolab для работы с последовательностями ДНК растений. Она предварительно обучена методом CausalLM на референсных геномах растений; для токенизации используется специализированный BPE-токенизатор со словарём из 8000 токенов. В репозитории доступны веса в формате Safetensors, а размер моделей этой серии составляет примерно 90–150 МБ.

Модель предназначена для генерации продолжений последовательностей ДНК и исследовательских задач по анализу геномов растений. README указывает максимальную длину обучающих последовательностей 512 токенов, а метаданные — контекст 1024 токена. Это специализированная геномная модель, поэтому её результаты не следует трактовать как биологически подтверждённые без проверки. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование.

Сценарии применения

  • генерация продолжений последовательностей ДНК растений
  • получение кандидатов на синтетические геномные последовательности для последующей проверки
  • исследовательские эксперименты с языковым моделированием геномов растений

Ограничения

Специализирована на геномах растений и имеет контекст до 1024 токенов; сгенерированные последовательности требуют биологической проверки. Коммерческое использование ограничено лицензией CC BY-NC-SA 4.0.

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 OpenAI GPT-2 model with modified 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-dnagpt-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
GPT2LMHeadModel
Ревизия весов
8f721f6

0 моделей