К содержимому

Датасет · HuggingFaceBio

Данные обучения Carbon-X для чтения ДНК

HuggingFaceBio/FineDNA

Три стадии обучения Carbon-X: mid-training, SFT и RL на текстах, диалогах и промптах по ДНК.

Что внутри

FineDNA — тренировочные данные Carbon-X, модели, которая учила Qwen3-14B читать ДНК, для всех трёх стадий обучения. Mid-training содержит 514,30 млрд токенов по 23 источникам, из них в запуске прочитано 302 млрд; SFT — 203 923 диалога на 230,3 млн токенов; RL — 98 433 промпта на 61,1 млн токенов. Язык — английский, модальность — текст.

Что можно сделать

  • Обучить LLM для задач по ДНК
  • Дообучить Qwen3-14B на SFT-диалогах
  • Проверить RL-пайплайн на промптах по геномике
Задачи
Генерация текста
Языки
Английский
Размер
100M–1B записей
Скачиваний за месяц
13,6 тыс.
Лайков
69

Как загрузить

from datasets import load_dataset

ds = load_dataset("HuggingFaceBio/FineDNA")