Hugging Face 发布 FineDNA：300B+ token 基因组数据集让语言模型学会 DNA
LoubnaBenAllal1 · x · 2026-11-01
Hugging Face 的 Loubna Ben Allal 发布 FineDNA 数据集，称其为「教会任何语言模型 DNA 的最佳数据集」：300B+ token,混合基因组序列、论文与掺有 DNA 的网页文本，另附 200k SFT 和 98k RL 样本。用它在 Qwen3-14B 上做 midtraining 训出的模型(Carbon-X)成为最强开源 DNA 模型。这是该工作流的原始发布帖，后续帖子补充了 midtraining、RL 与最终评测细节。
所属事件:HuggingFace 开源 FineDNA 数据集与 Carbon 模型，DNA 任务超 GPT-6.1(6 条相关)→
「研究」频道最新
- 「语义老虎机」实验:无关措辞即可左右 LLM 的探索-利用平衡 — burkov · 2026-11-01
- RoboColiseum 机器人实测：Claude Opus 5.5 得 76.28 险胜 GPT-6 Astra — jiqizhixin · 2026-11-01
- ETH Zurich 发布 EgoHTR 数据集：15 万帧第一视角 4D 人体地形运动数据 — Scobleizer · 2026-11-01
- DiffusionART-Flash 开源：仅训 1-2 个高噪声步，扩散模型 RL 提效 25 倍 — YangYou1991 · 2026-11-01
- NVIDIA「World from Motion」入选 NeurIPS，单目视频重建动态 3D 场景 — Scobleizer · 2026-11-01
- HuggingFace 开源 FineDNA 数据集,14B 模型 DNA 基准超 GPT-6.1 — loubnabnl · 2026-11-01