FineDNA phát hành bộ dữ liệu 300B token cho LLM huấn luyện genomic

FineDNA là bộ dữ liệu đa giai đoạn mới nhằm thu hẹp khoảng cách giữa ngữ nghĩa ngôn ngữ tự nhiên và các biểu diễn trừu tượng mà các LLM genomic sử dụng. Bộ huấn luyện bao gồm hơn 300B token trình tự genomic, các bài báo nghiên cứu và văn bản DNA hỗn hợp, cùng với 200k mẫu fine-tune có giám sát và khoảng 100k mẫu cho reinforcement learning giúp các mô hình định vị các sợi DNA. Các nhà phát triển cho biết huấn luyện mô hình Qwen3-14B trên bộ dữ liệu này tạo ra open model mạnh nhất về hiểu biết DNA, sánh ngang hiệu suất của frontier model độc quyền. Để ngăn chặn ảo giác trong phân tích trình tự và dự đoán tác động biến thể, các mẫu fine-tune có giám sát được neo vào các trình tự thực bằng các verifier xác định.