Carbon预训练语料库是一个用于训练基因组基础模型（如Carbon）的数据集，包含1.73亿个DNA和RNA序列，总计1.1万亿个核苷酸。该数据集涵盖真核生物和原核生物物种的DNA和RNA序列，使用6-mer分词器时对应1800亿个token。它提供多个子集配置，包括真核生物基因组（eukaryote_generator）、信使RNA（mrna_evo2）、增强mRNA转录本（mrna_spli

Hugging Face2026-06-18 更新230

wanglab/phylo-dna-archaea-bacteria-0.2-tokenized-chunked-non-overlap-32768

微生物基因组学

序列建模

--- dataset_info: features: - name: input_ids sequence: int32 - name: attention_mask sequence: int8 - name: labels sequence: int64 splits: - name: train num_bytes: 88133460

Hugging Face2024-11-06 更新70

powerpuffpomelo/mello_test

序列建模

机器翻译

Fairseq(-py)是一个序列建模工具包，允许研究人员和开发者训练定制模型，用于翻译、摘要、语言建模和其他文本生成任务。该工具包支持多种序列到序列模型，包括卷积神经网络（CNN）、长短期记忆网络（LSTM）、Transformer网络和非自回归Transformer。此外，它还提供多GPU训练、快速生成、大迷你批量训练和混合精度训练等功能。工具包还提供了用于翻译和语言建模的预训练模型，并提供了

Hugging Face2023-05-21 更新450

cnet_ar_n2_examples

自然语言处理

序列建模

该数据集包含多个特征字段，主要用于存储序列数据及其相关模型输出。具体特征包括：'seq'（字符串类型，存储序列数据）、'full_logits'（三维浮点数列表，存储完整逻辑输出）、'encoder_hidden'（三维浮点数列表，存储编码器隐藏状态）、'encoder_boundary_probs'（二维浮点数列表，存储编码器边界概率）、'k_proj'和'q_proj'（二维浮点数列表，存储投

Hugging Face2026-02-27 更新130

Theoretical comparison of the Mamba variant model.

资源简介：

相关数据集