FineDNA: крупнейший датасет для обучения LLM генетике (midtraining, SFT, RL)

Команда HuggingFace Bio выпустила датасет FineDNA, содержащий более 300 млрд токенов геномных данных и текстов, а также наборы для SFT и RL. Этот ресурс использовался для создания модели Carbon-X, которая стала сильнейшей открытой языковой моделью в области анализа ДНК, и доступен для применения в других LLM.