Evo2 基因组模型 cr44a 深层响应张量数据集
数据集简介
数据组织与文件构成
数据集以张量文件为核心载体,典型文件包括 head.npy(head 输出)与 tokens.npy(对应 token 序列),并附带一份经过清洗的元数据文件。元数据采用 JSON 式 schema,记录每个数据块的 filename、bytes、dtype、emitted_dtype、shape 与 sha256,便于按块定位与完整性校验。
文件清单同样以 path、bytes、sha256 三元组的形式在元数据中登记,下载后可逐项核对。
元数据字段与模型规格
元数据中的 spec 字段描述本次响应采集所用的模型配置,包含以下维度:
| 字段 | 含义 |
|---|---|
hidden_size |
隐藏层维度 |
layers |
模型层数 |
max_length |
最大序列长度 |
vocabulary_size |
词表大小 |
storage_dtype |
存储数据类型 |
capture_surface |
响应采集的模型表面 |
head_alignment |
head 对齐方式 |
variant |
模型变体标识 |
此外,schema_version 标明元数据结构版本,query_id 标识本次查询,sequence 与 parent_sequence_sha256 分别记录输入序列及其父序列摘要,便于追溯序列来源。
序列坐标与保留行范围
针对基因组坐标,元数据提供 chrom、first0、row_start、row_stop、step 等字段,用于描述序列在染色体上的位置以及张量行与基因组坐标之间的映射关系。retained_rows 以 start、stop 记录保留的行区间,说明张量中实际保留的 token 行范围。
这些字段共同支持把模型响应精确回贴到具体的基因组区段,方便后续按坐标检索与切片分析。
来源与获取方式
数据集由 HuggingFace 用户 satyasrinath1992 发布,托管于 HuggingFace 数据集页面,标签包括 biology、genomics 与 evo2。数据公开可访问,private 与 gated 均为 false,可直接从数据集页面下载,无需申请授权。
引用与版本信息
数据集标识为 satyasrinath1992/cr44a-deep-response-20261026,发布日期为 2026-10-26,页面记录的最后修改时间为 2026-11-05。数据集未标注具体许可名称,使用时请以页面实际声明为准。