IV.4Клиническая медицина и общественное здоровье

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Репозиторий содержит контрольную точку шага 8 эксперимента RaR-Medicine static R0 matched dense; веса BF16 предназначены для инференса, а в original_checkpoint находятся исходные файлы контрольной точки veRL. Модель предназначена для генерации текста в диалоговом формате и сценариев, связанных с медицинской тематикой эксперимента. Карточка не описывает конкретные медицинские задачи, языки или оценённые качества модели. Контекст составляет до 262 144 токенов; лицензия — Apache-2.0. Это ранняя экспериментальная контрольная точка, и её качество для практического применения не установлено.

dkarthikeyan1/tcrt5_pre_tcrdb — предобученная модель, разработанная как основа для дообучения TCRT5. Это компактная seq2seq-модель на архитектуре T5 с 9,2 млн параметров, реализованная для Transformers; она обучалась восстанавливать замаскированные фрагменты последовательностей CDR3β и пептидных псевдопоследовательностей. Контекст модели составляет 512 токенов. Модель предназначена для дообучения на пользовательских наборах данных, связанных с T-клеточными рецепторами и pMHC. После дообучения её можно применять для генерации последовательностей TCR по целевому pMHC, обратной генерации pMHC по TCR, а также, с дополнительной настройкой, для классификации или регрессии по последовательностям. Модель обучалась на данных TCRdb и IEDB. Она рассчитана на последовательности пептидных псевдопоследовательностей и CDR3β; одни только пептиды, CDR3α и другие части TCR находятся вне распределения обучения. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование и распространение производных на условиях лицензии.

AMPLIFY 350M — белковая языковая модель лаборатории FLAIR Lab, предварительно обученная на наборе UR100P методом masked language modeling. Модель содержит 353,9 млн параметров и использует плотный BERT-подобный энкодер на 32 слоя с RoPE, SwiGLU и RMSNorm. Токенизация выполняется на уровне аминокислот; размер словаря — 32 токена, контекст — до 2048 токенов. Модель предназначена для получения представлений отдельных остатков и последовательностей белка, оценки эффектов вариантов по pseudo-log-likelihood и дообучения для задач предсказания фитнеса, стабильности, связывания и функциональной аннотации. Выпускается в формате Safetensors для Transformers; лицензия MIT.

Bacformer-masked-complete-genomes — модель для бактериальной геномики, разработанная исследователями из University of Cambridge (Floto Lab) и EPFL (Brbić Lab) под руководством Maciej Wiatrak. Это дообученная версия Bacformer-masked-MAG, продолжившая обучение на примерно 40 тысячах полных геномов из NCBI RefSeq после предварительного обучения на корпусе примерно из 1,3 миллиона бактериальных геномов. В метаданных указаны 33,2 млн параметров и контекст до 6000 белков; README сообщает о 27 млн параметров. Модель представляет геном как упорядоченную последовательность белков и использует трансформер для моделирования контекста генома. Входные белковые последовательности встраиваются с помощью ESM-2 t12 35M, после чего модель предсказывает семейства замаскированных белков. Она предназначена для анализа геномного контекста бактерий и получения представлений белков с учётом их окружения. Лицензия — Apache 2.0. Для применения требуется представить белки генома в хромосомном порядке; максимальная длина ограничена 6000 белками, что охватывает более 98% геномов обучающего корпуса.

C2S-Pythia-410m-diverse-single-and-multi-cell-tasks — модель Vandijklab на архитектуре GPT-NeoX, созданная дообучением EleutherAI/pythia-410m методом Cell2Sentence. Она преобразует данные scRNA-seq в последовательности названий генов («предложения клеток») и предназначена для анализа отдельных клеток и групп клеток. Модель обучалась на более чем 57 миллионах клеток человека и мыши из более чем 800 наборов данных CellxGene и Human Cell Atlas. Модель генерирует последовательности генов, предсказывает типы клеток и ткань происхождения, а также поддерживает генерацию, обусловленную типом клетки или ткани. Другие сценарии включают преобразование описаний мультиклеточных образцов в аннотации и обратно, а также сопоставление названий наборов генов со списками генов. Размер модели — 454,2 млн параметров, контекст — до 8192 токенов. Для работы с моделью нужны данные в текстовом представлении Cell2Sentence; она не принимает матрицы экспрессии напрямую. Веса доступны по лицензии CC-BY-4.0. Модель специализирована на данных человека и мыши, поэтому перенос её результатов на другие виды или биологические задачи вне обучающих сценариев не подтверждён.

HuggingFaceBio выпустила Carbon-500M — авторегрессионную модель для генерации последовательностей ДНК на 511,8 млн параметров с плотной decoder-only архитектурой семейства Llama. Модель загружается как стандартный causal LM для Transformers. Её гибридный токенизатор использует 6-меры для ДНК и Qwen3 BPE для английского текста; один токен ДНК соответствует примерно шести парам оснований. Предобучение охватывает 600 млрд токенов, а штатный контекст составляет 8192 токена, или около 49 тысяч пар оснований. Модель предназначена для генерации и оценки геномных последовательностей. В ветке FNS доступны управление генерацией на уровне отдельных нуклеотидов, маски по позициям, а также оценка вероятности наблюдаемых оснований. Обучение использовало смесь эукариотических генов, зрелой и обогащённой сплайсингом мРНК и бактериальных геномов; модель ориентирована на спекулятивное декодирование, поэтому её качество в задачах работы с ДНК ограничено. Данные генетических последовательностей чувствительны, а порядок их обработки зависит от выбранного сервиса или провайдера. Лицензия — Apache-2.0.

D3LM — модель дискретной диффузии для анализа и генерации последовательностей ДНК, представленная в работе «D3LM: A Discrete DNA Diffusion Language Model for Bidirectional DNA Understanding and Generation». Она предназначена прежде всего для безусловной генерации последовательностей ДНК млекопитающих, а также поддерживает заполнение замаскированных участков и генерацию текста. Модель построена на энкодере семейства ESM с Rotary Positional Embeddings и обучена с нуля на последовательностях ДНК млекопитающих. Модель содержит около 52,4 млн параметров, 12 слоёв, 16 голов внимания и скрытое представление размерности 512. Максимальная длина последовательности составляет около 2 048 токенов, словарь — 4 107 токенов. Для генерации предусмотрены диффузионные шаги денойзинга, температура и nucleus sampling. Репозиторий распространяется по лицензии Apache-2.0.

Evo 1.5 8k Base — биологическая фундаментальная модель, разработанная авторами Evo для анализа и генерации биологических последовательностей. Она построена на архитектуре StripedHyena и работает с последовательностями на уровне отдельных нуклеотидов, используя байтовое представление. Вариант Evo 1.5 продолжает предобучение Evo 1 8k Base на 50% большем объёме данных; в README указан общий объём обучения в 450 млрд токенов. Модель содержит 8,6 млрд параметров по метаданным и поддерживает контекст до 8 192 токенов. Модель предназначена для моделирования и проектирования биологических последовательностей, включая задачи на молекулярном и геномном уровне. В качестве обучающих данных использовался OpenGenome — набор прокариотических геномов. Репозиторий содержит веса PyTorch в формате safetensors; лицензия — Apache 2.0. README описывает вариант как базовую предварительно обученную модель, которую можно использовать для последующей тонкой настройки под молекулярные задачи.

GENERator-eukaryote-3b-base — базовая генеративная геномная модель семейства Llama, разработанная GenerTeam. Она содержит 3 млрд параметров и предназначена для продолжения и генерации последовательностей ДНК эукариот. Модель обучена на наборе данных объёмом 386 млрд пар оснований из разных организмов. В README заявлен контекст до 98 тыс. пар оснований, тогда как метаданные Hugging Face указывают нативный контекст 16 384 токена. Для генерации длина входной последовательности должна быть кратна шести: модель использует токенизатор 6-меров, а некратная длина может приводить к бессодержательным повторам. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — MIT.

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.

NaturalAntibody/human_heavy — трансформер RoBERTa для предсказания аминокислоты в заданной позиции последовательности тяжёлой цепи человеческого антитела. Модель содержит 20,2 млн параметров, принимает последовательности с маскированной позицией и предсказывает её содержимое; контекст — до 202 токенов. Модель предназначена для анализа последовательностей антител и заполнения пропущенных аминокислот. Карточка не сообщает подробностей о данных обучения или дополнительных сценариях применения. Распространяется в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

ProLLaMA_Stage_1 — белковая языковая модель, разработанная на основе Llama 2 и предназначенная для многоцелевой обработки белковых последовательностей. Она принимает последовательность аминокислот в формате `Seq=<...`; модель построена на плотной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров. Максимальная длина контекста — 4096 токенов. Модель генерирует текстовые продолжения последовательности и рассчитана на задачи работы с белковым языком. README отсылает к статье и репозиторию проекта за дополнительными сведениями, поэтому конкретные поддерживаемые белковые задачи и качество по ним определить нельзя. Для весов указаны форматы PyTorch и safetensors. Лицензия в метаданных — Apache-2.0, однако README просит соблюдать лицензию Llama 2, на которой основана модель; условия использования следует сверять с лицензией базовой модели.

RITA-S — авторегрессионная языковая модель для белковых последовательностей, созданная совместно LightOn, группой OATML Оксфордского университета и лабораторией Debbie Marks в Гарварде. Это версия семейства RITA малого размера; модель содержит 99,1 млн параметров и использует архитектуру RITA для причинной генерации последовательностей.

Thai GPT-2 Fine-Tuned — генеративная языковая модель на базе GPT-2, дообученная пользователем Wachirawit2005 для ответов на вопросы на тайском языке. Модель ориентирована на задачи вопросно-ответного взаимодействия по тематике заболеваний животных и обучена на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о животных. Модель использует текстовую модальность, поддерживает тайский язык и предназначена для генерации ответов в формате text-generation. Максимальная длина контекста составляет 1 024 токена. Лицензия MIT разрешает использование, модификацию и распространение с соблюдением условий лицензии. Модель может быть полезна для создания прототипов тайскоязычных справочных систем по заболеваниям животных и генерации ответов на типовые вопросы. При этом README не содержит результатов оценки, подробностей архитектуры и обучения, поэтому надежность ответов, полнота знаний и пригодность для практической ветеринарной диагностики не подтверждены.

Evo2-7B — это неофициальный порт на Transformers чекпойнта Evo 2 7B, разработанного командой Arc Institute и сотрудниками. Модель предназначена для генерации последовательностей ДНК на уровне отдельных нуклеотидов; токенизатор побайтовый, с одним токеном на нуклеотид. Модель содержит 8,6 млрд параметров по метаданным и имеет контекст до 1 048 576 токенов. Архитектура сочетает свёртки Hyena с группированным вниманием запросов и RoPE; в варианте указаны 32 слоя, включая 5 слоёв внимания и 27 слоёв Hyena. Веса перенесены из официального чекпойнта Vortex без дообучения, а архитектура реализована на PyTorch для загрузки через Transformers. Репозиторий использует формат safetensors и лицензию Apache-2.0. Порт менее эффективен, чем исходная реализация Vortex: в нём нет FlashAttention, FP8 и объединённых ядер. Длинные входы медленно обрабатываются и требуют много памяти; для bf16 нужно около 14 ГБ видеопамяти до учёта кеша и активаций. Новая оценка качества для этой загрузки не проводилась.

Карточка модели AntibodyGeneration/fine-tuned-progen2-large на Hugging Face совпадает с карточкой AntibodyGeneration/fine-tuned-progen2-small, поэтому описание составлено по ней. Antibody Generator — специализированная модель генерации белковых последовательностей для разработки терапевтических антител. Её разработали Joseph Roberts, David Noble, Rahul Suresh и Neel Patel на архитектуре ProGen2 от Salesforce; вариант small содержит 151 млн параметров. Модель дообучена на примерно 5 000 экспериментально разрешённых кристаллических структурах антител и их антигенов. Контекст составляет 1 024 токена. Модель предназначена для исследователей и специалистов в биоинформатике и молекулярной биологии: она генерирует последовательности кандидатов антител для задач иммунологии, разработки вакцин и медицинских исследований. Качество последовательностей можно предварительно анализировать, в частности, с помощью ANARCI и оценки разнообразия. Модель выдаёт кандидатов, а не подтверждённые функциональные антитела; результаты необходимо проверять экспериментально. Лицензия — Apache 2.0. README предупреждает о возможности вредоносного использования генерируемых последовательностей.

Это дообученная модель GPT-2 для ответов на вопросы на тайском языке о заболеваниях собак. Согласно карточке, её дообучил студент MasterBeeMz на наборе disease_3000 из 3 000 примеров. Модель построена на архитектуре GPT-2 и принимает текст, генерируя текст; контекст составляет 1 024 токена. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации ответов на вопросы о здоровье собак на тайском языке. Карточка не приводит метрик качества и подробностей обучения, поэтому надёжность ответов не установлена; их не следует считать ветеринарным диагнозом. Лицензия — MIT.

iSEEEK — генеративная модель на архитектуре GPT-2, обученная на ранжированных списках наиболее экспрессируемых генов. Разработчик обучил её на более чем 20 миллионах одноклеточных транскриптомов; длина последовательности при обучении составляла 64, а размер контекста — 1024 токена. Модель предназначена для генерации последовательностей генов и анализа одноклеточных транскриптомных данных. Карточка не приводит подробностей о конкретных сценариях применения или результатах оценки качества. Репозиторий содержит веса PyTorch и имеет задачу text-generation; сведения о лицензии в предоставленных данных отсутствуют.

Dayhoff-170m-GR — генеративная белковая языковая модель, разработанная Kevin K. Yang и соавторами. Она предназначена для исследовательского моделирования белковых последовательностей: генерации новых белков, предсказания эффектов мутаций без дополнительного обучения и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Модель использует гибридную архитектуру Jamba: слои Mamba и Transformer с механизмами Mixture-of-Experts. Она обучена на данных белковых последовательностей Dayhoff и поддерживает контекст до 262 144 токенов. По карточке модель предназначена только для белковых последовательностей, а не для естественного языка или последовательностей ДНК. Генерируемые последовательности не всегда реалистичны, особенно при отсутствии сходства с известными природными последовательностями. Лицензия — MIT.

Dayhoff-170M-GR-1000 — генеративная модель для работы с белковыми последовательностями, разработанная командой исследователей, перечисленной в карточке Dayhoff. Она предназначена для генерации белков и исследовательских задач белкового языкового моделирования. Архитектура сочетает слои Mamba и Transformer с механизмом смеси экспертов (MoE); в метаданных указаны 23,6 млн параметров, контекст до 262 144 токенов и формат safetensors. Модель обучена авторегрессионно в направлениях N→C и C→N, что позволяет заполнять пропуски в последовательностях без фиксированного направления.

Dayhoff-170M-GRS-SS-26000 — модель для генерации белковых последовательностей из семейства Dayhoff, разработанного группой исследователей, перечисленных в карточке модели. Она предназначена для исследовательских задач белкового языкового моделирования, включая безусловный дизайн последовательностей и оценку эффектов мутаций без дополнительного обучения. Архитектура сочетает слои Mamba и Transformer с механизмами Mixture-of-Experts. Метаданные указывают 23,6 млн параметров, контекст до 262 144 токенов и формат safetensors; модель работает с последовательностями белков и может обрабатывать длинные контексты. Для запуска карточка рекомендует PyTorch, mamba, causal-conv1d и flash-attn. Лицензия — MIT. Модель не предназначена для генерации естественного языка, ДНК или других непредназначенных для неё последовательностей. Сгенерированные последовательности не всегда реалистичны, а получение качественных последовательностей без гомологии к известным природным последовательностям остаётся сложной задачей.

Dayhoff-170M-GRS-SS-62000 — генеративная белковая языковая модель, разработанная командой исследователей, перечисленной в карточке Dayhoff. Она предназначена для исследовательских задач проектирования белков и предсказания эффектов мутаций. По метаданным, это модель с архитектурой Jamba и классом JambaForCausalLM, содержащая 23,6 млн параметров; нативная длина контекста составляет 262 144 токена. Модель принимает белковые последовательности и генерирует последовательности белков. В карточке Dayhoff описана гибридная архитектура с Mamba, Transformer и слоями Mixture-of-Experts, однако не уточнено, какие детали относятся именно к этой версии на 170 млн в названии. Модель предназначена для безусловной генерации белковых последовательностей, оценки эффектов мутаций без дообучения и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Карточка предупреждает, что результаты не всегда реалистичны и что сложно создавать качественные последовательности без сходства с известными природными белками. Модель не предназначена для естественного языка или последовательностей ДНК. Лицензия — MIT.

Dayhoff-170M-UR90-HL-30000 — модель генерации белковых последовательностей из ресурса Dayhoff, разработанного командой исследователей, указанной в карточке. Она предназначена для исследований в области белкового языкового моделирования: генерации белков, оценки эффектов мутаций и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Вариант использует гибридную архитектуру Jamba: слои Mamba и Transformer с механизмом смеси экспертов; авторская карточка описывает обучение с авторегрессионной целью в направлениях N→C и C→N. Метаданные указывают 23,6 млн параметров, контекст до 262 144 токенов и формат safetensors. Модель принимает белковые последовательности и предназначена только для белковых данных, а не для естественного языка или последовательностей ДНК. Карточка предупреждает, что сгенерированные последовательности не всегда реалистичны и генерация качественных белков без гомологии с природными последовательностями остаётся сложной задачей. Лицензия — MIT.

Dayhoff-170M-UR90-HL-46000 — модель Microsoft для генерации и анализа белковых последовательностей. Она предназначена для исследовательских задач белкового языкового моделирования: безусловного дизайна последовательностей, предсказания эффектов мутаций и создания последовательностей для структурных мотивов. Карточка описывает семейство Dayhoff как гибрид Mamba и Transformer с блоками Mixture-of-Experts; архитектура этой конкретной модели обозначена как JambaForCausalLM. Метаданные указывают 23,6 млн параметров и контекст до 262 144 токенов. Модель обучалась на данных Dayhoff Atlas и поддерживает генерацию белковых последовательностей. README также описывает для семейства моделей обработку длинных контекстов, включая развёрнутые множественные выравнивания последовательностей, и авторегрессионное обучение в направлениях N→C и C→N. Лицензия — MIT. Модель не предназначена для естественного языка, ДНК или других биологических последовательностей; генерируемые последовательности не гарантированно реалистичны, а генерация последовательностей без сходства с природными белками остаётся сложной. Для запуска README перечисляет PyTorch, mamba, causal-conv1d и flash-attn.

ESMC-AR — авторегрессионная языковая модель для белковых последовательностей, опубликованная IvanHU. Это плотная Transformer-модель с 16 широкими блоками, PLE, gated attention и без gated residual; экспорт содержит 845,8 млн параметров в FP32 и работает через Transformers с токенизатором ESMC и встроенным пользовательским кодом. Модель обучена на 5 млрд токенов из набора белковых данных QingWY/protein-pretraining-data. Обучение сочетало предсказание следующего токена, предсказание токенов в обратных последовательностях и заполнение пропусков в формате PSM примерно в равных долях по числу выходных токенов. Контекст составляет 2048 токенов; репозиторий содержит веса safetensors. Модель предназначена для генерации и продолжения белковых последовательностей, в том числе заполнения пропусков и работы с последовательностями в обратном направлении. README описывает проверенный экспорт и совместимость с Transformers, однако не приводит лицензию, поэтому условия использования по имеющимся данным определить нельзя. Валидационная потеря относится к исходному потоку обучения, а из-за смеси задач её нельзя напрямую сопоставлять с результатами других моделей.

LabVLA-5B-Base — модель vision-language-action, разработанная для научных лабораторий. Она объединяет мультимодальную основу Qwen3-VL-4B-Instruct и экспертную модель действий DiT с flow matching. Обучение включает предварительное обучение на токенах действий FAST и последующее обучение flow matching для непрерывного управления. Модель предназначена для автономного выполнения научных протоколов с лабораторными приборами и прозрачными жидкостями. Она принимает визуальные и языковые данные и формирует управляющие действия; для развертывания в README указан протокол OpenPI msgpack WebSocket. В метаданных Hugging Face задача указана как robotics, а файлы представлены в формате safetensors. Модель выпущена под лицензией MIT. README не приводит сведения о точном составе входных данных, длине контекста или ограничениях применения; описанное назначение ограничено лабораторной средой.

ProLLaMA — белковая языковая модель семейства LLaMA, предназначенная для многоцелевой обработки белковых последовательностей. По карточке, модель основана на Llama 2 7B и поддерживает сценарии генерации последовательности по суперсемейству и определения суперсемейства по последовательности. Репозиторий содержит модель на 6,6 млрд параметров для Transformers в форматах PyTorch и Safetensors; длина контекста — 4096 токенов. Модель ориентирована на задачи анализа и генерации белковых последовательностей, а не на обычный диалог. Для использования требуется соблюдать лицензию Llama 2, на которой она основана; метаданные репозитория указывают Apache-2.0.

RITA-L — крупная авторегрессионная языковая модель белков, разработанная LightOn совместно с группой OATML Оксфордского университета и лабораторией Debbie Marks Гарвардского университета. Она обучена на UniRef-100 и предназначена для генерации белковых последовательностей и связанных задач моделирования последовательностей белков. Модель использует архитектуру RITA с причинным языковым моделированием; в метаданных указано около 792,8 млн параметров и реализация на PyTorch. В README для версии Large приведены 680 млн параметров, 24 слоя и размерность d_model 1536; расхождение с параметрами метаданных отражено в источниках. Указанная в карточке потеря на UniRef-100 составляет 1,82. Лицензия в предоставленных данных не указана.

Dayhoff-170M-GR-61000 — генеративная модель белковых последовательностей из ресурса Dayhoff, разработанного Kevin K. Yang и соавторами. Это вариант семейства Dayhoff с гибридной архитектурой Jamba: слои Mamba и Transformer с механизмом Mixture-of-Experts. В метаданных указано 23,6 млн параметров и контекст до 262 144 токенов; модель распространяется в формате Safetensors и доступна по лицензии MIT. Модель предназначена для исследовательских задач белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций и проектирования белков с заданными структурными мотивами или эволюционным контекстом. Автогрессивное обучение в направлениях N→C и C→N позволяет выполнять infilling без фиксированного порядка последовательности. Карточка Dayhoff также описывает использование семейства для безусловного дизайна белков и предсказания эффектов мутаций. Модель рассчитана только на аминокислотные последовательности белков и не предназначена для естественного языка или ДНК. Сгенерированные последовательности не всегда реалистичны, а создание белков без сходства с известными природными последовательностями остаётся сложной задачей. Для работы README указывает PyTorch и зависимости mamba-ssm, causal-conv1d и flash-attn.

Dayhoff-170M-GRS-SS-110000 — белковая языковая модель, разработанная командой исследователей, перечисленных в карточке Dayhoff. Это чекпойнт семейства Dayhoff на гибридной архитектуре Jamba: слои Mamba и Transformer чередуются с блоками Mixture-of-Experts. Модель насчитывает 23,6 млн параметров, работает с контекстом до 262 144 токенов и обучена авторегрессионно на последовательностях белков; семейство Dayhoff также поддерживает обработку развёрнутых множественных выравниваний последовательностей. Модель предназначена для исследовательских задач белкового моделирования: генерации последовательностей, безэталонной оценки эффектов мутаций и проектирования белков с заданными структурными мотивами или эволюционным контекстом. Подходит для экспериментов с генерацией белков и анализом последовательностей, но карточка не подтверждает, что каждая возможность семейства оценивалась именно на этом чекпойнте. Модель не предназначена для генерации естественного языка, ДНК или других биологических последовательностей. Сгенерированные последовательности не гарантированно реалистичны, а получение качественных белков без сходства с известными природными последовательностями остаётся трудной задачей. Лицензия — MIT.