数据集

Dayhoff

microsoft/Dayhoff

查看上游原文 ↗
上游访问:公开 本站服务:可咨询 内容检查:AI 辅助整理并检查 许可证:上游卡片未声明 上游版本:7f6771db1bfa

中文简介

microsoft/Dayhoff 是 microsoft 在 Hugging Face 发布的数据集仓库,当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 7f6771db1bfa,同步到 1342 个文件,文件元数据合计 2.84 TB;访问状态为“公开”,许可证字段为“上游卡片未声明”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 microsoft/Dayhoff 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息,完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
microsoft/Dayhoff 是 microsoft 在 Hugging Face 发布的数据集仓库,当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 7f6771db1bfa,同步到 1342 个文件,文件元数据合计 2.84 TB;访问状态为“公开”,许可证字段为“上游卡片未声明”。

【适用方向】
适合在明确数据字段、拆分和许可证后,用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

【版本与规格】
固定版本:7f6771db1bfa。 任务标签:上游卡片所列任务。 上游页面记录的最近更新时间:2026-04-02。

【文件信息】
上游 API 返回 1342 个文件,文件元数据合计 2.84 TB。 已保存文件清单中的主要扩展名:.parquet 99 个、无扩展名 1 个。 当前较大的文件包括:backboneref-structures/data-00004-of-00200.parquet(836.90 MB);backboneref-structures/data-00016-of-00200.parquet(826.60 MB);backboneref-structures/data-00090-of-00200.parquet(799.57 MB)。 仓库文件较多,本站仅保存前 100 条文件元数据;完整清单请查看上游仓库。

【运行或处理环境】
仓库文件元数据合计 2.84 TB。仅按下载、解压和临时文件估算,建议至少预留约 3.41 TB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

【使用边界】
上游卡片没有提供明确许可证字段,下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

Dataset Card for Dayhoff Dayhoff is an Atlas of both protein sequence data and generative language models — a centralized resource that brings together 3.34 billion protein sequences across 1.7 billion clusters of metagenomic and natural protein sequences (GigaRef), 46 million structure-derived synthetic sequences (BackboneRef), and 16 million multiple sequence alignments (OpenProteinSet). These models can natively predict zero-shot mutation effects on fitness, scaffold structural motifs by conditioning on evolutionary or structural context, and perform guided generation of novel proteins within specified families. Learning from metagenomic and structure-based synthetic data from the Dayhoff Atlas increased the cellular expression rates of generated proteins, highlighting the real-world value of expanding the scale, diversity, and novelty of protein sequence data. The Dayhoff model architecture combines state-space Mamba layers with Transformer self-attention, interleaved with Mixture-of-Experts modules to maximize capacity while preserving efficiency. It natively handles long contexts, allowing both single sequences and unrolled MSAs to be modeled. Trained with an autoregressive objective in both N→C and C→N directions, Dayhoff supports order-agnostic infilling and scales to billions of parameters. Dataset Structure The Dayhoff models were trained on the Dayhoff Atlas, with varying data mixes which include: **UniRef50** (**UR50**) - dataset from UniProt, clustered at 50% sequence identity, contains only cluster representatives. * _Splits: train (25 GB), test (26 MB), valid (26 MB)_ **UniRef90** (**UR90**) - dataset from UniProt, clustered at 90% sequence identity, contains cluster representatives and members. * _Splits: train (83 GB), test (90 MB), valid (87 MB)_ **GigaRef** (**GR**)– 3.34B protein sequences across 1.7B clusters of metagenomic and natural protein sequences. There are two subsets of gigaref: * **GigaRef-clusters** (**GR**) - Only includes cluster re

公开页仅展示原文摘录;完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合在明确数据字段、拆分和许可证后,用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

规模与格式

固定版本:7f6771db1bfa。 任务标签:上游卡片所列任务。 上游页面记录的最近更新时间:2026-04-02。

文件说明

上游 API 返回 1342 个文件,文件元数据合计 2.84 TB。 已保存文件清单中的主要扩展名:.parquet 99 个、无扩展名 1 个。 当前较大的文件包括:backboneref-structures/data-00004-of-00200.parquet(836.90 MB);backboneref-structures/data-00016-of-00200.parquet(826.60 MB);backboneref-structures/data-00090-of-00200.parquet(799.57 MB)。 仓库文件较多,本站仅保存前 100 条文件元数据;完整清单请查看上游仓库。

上游文件元数据

  • .gitattributes8.73 KB
  • backboneref-structures/data-00000-of-00200.parquet758.89 MB
  • backboneref-structures/data-00001-of-00200.parquet789.62 MB
  • backboneref-structures/data-00002-of-00200.parquet727.29 MB
  • backboneref-structures/data-00003-of-00200.parquet701.77 MB
  • backboneref-structures/data-00004-of-00200.parquet836.90 MB
  • backboneref-structures/data-00005-of-00200.parquet667.18 MB
  • backboneref-structures/data-00006-of-00200.parquet640.15 MB
  • backboneref-structures/data-00007-of-00200.parquet721.93 MB
  • backboneref-structures/data-00008-of-00200.parquet532.34 MB
  • backboneref-structures/data-00009-of-00200.parquet521.33 MB
  • backboneref-structures/data-00010-of-00200.parquet626.13 MB

硬件建议

仓库文件元数据合计 2.84 TB。仅按下载、解压和临时文件估算,建议至少预留约 3.41 TB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

注意事项

上游卡片没有提供明确许可证字段,下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件,并在合法访问权限、许可证及平台规则允许的前提下,协助海内外下载、完整性校验及网盘或硬盘交付;本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明,不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。