К содержимому
Другое

gt-embed-minimal-v1

лёгкие эмбеддинги для ДНК человека

2 мин чтенияобновлено

Компактная модель от автора Bell Eapen превращает белок-кодирующие последовательности ДНК (CDS) в компактные векторные представления (эмбеддинги) размерностью 256. В её основе лежит 2-слойный Transformer Encoder с ~2M параметров, обученный методом контрастивного обучения на ~17 000 человеческих транскриптах из GENCODE v50 (сборка GRCh38). Главная особенность — токенизация на уровне кодонов (троек нуклеотидов, кодирующих аминокислоты) через Genomic Tokenizer вместо посимвольного разбора, благодаря чему модель улавливает структуру на уровне синтеза белка. Подойдёт биоинформатикам и разработчикам для быстрого прототипирования и отладки пайплайнов.

Ключевые особенности

  • Кодонный словарь на 26 токенов: 20 токенов под кодоны аминокислот и 6 служебных токенов ([CLS], [SEP], [BOS], [MASK], [PAD], [UNK]).
  • Сверхлёгкая архитектура: всего ~2M параметров (2 слоя, 4 головы внимания, скрытый размер 256), удобна для тестов и запуска даже на CPU.
  • Нормализованный выход: на выходе получаются L2-нормализованные векторы размерностью 256 для последовательностей длиной до 2048 токенов (~6144 нуклеотидов).
  • Часть линейки моделей: это минимальная версия для разработки — в семействе также заявлены варианты Small (~10M параметров) и Regular (~50M) для более точных задач.

Что можно сделать

  • Приоритизация генов: использовать в исследовательских пайплайнах при изучении редких наследственных заболеваний и поиске генов, связанных с болезнями.
  • Аннотация вариантов: оценивать и группировать новые генетические варианты белок-кодирующих участков.
  • Графы знаний: строить векторные связи между генами и заболеваниями в биоинформатических графах.

Пример

import torch
from genomic_tokenizer import GenomicTokenizer

tokenizer = GenomicTokenizer(model_max_length=2048)
cds_sequence = "ATGGCCGCCTACAAGCAGCAGTCTGGGGAAGACGGGCTACCTTGCCCCTGA"
tokens = tokenizer(cds_sequence)
input_ids = torch.tensor([tokens['input_ids']])
with torch.no_grad():
    embedding = model(input_ids)  # shape: [1, 256], L2-normalized
ПодробнееОбучение: контрастивное обучение на ~17 000 белок-кодирующих транскриптах человека (GENCODE v50, геном GRCh38.p14).
Железо и требования: ~2M параметров, работает на CPU в связке с PyTorch 2.5.1 и пакетами genomic-tokenizer / gtembed.
Ограничения: только геном человека (не включает некодирующие и регуляторные области), длина до 2048 токенов, не прошла клиническую валидацию и не предназначена для медицинской диагностики.
Лицензия: Apache 2.0.
Обсудить Telegram 1 40

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # beapen/gt-embed-minimal-v1
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download beapen/gt-embed-minimal-v1 --local-dir ~/models/gt-embed-minimal-v1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gt-embed-minimal-v1
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии gt-embed-minimal-v1 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

beapen/gt-embed-minimal-v1
Автор
beapen
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

401

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

tiny-embed-27m

tiny-embed-27m
Языковые модели

AnankeEmbed-S

AnankeEmbed-S