橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
数据集

TheBioCollection

trillionlabs/TheBioCollection

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：df09ee34ae7f

中文简介

trillionlabs/TheBioCollection 是 trillionlabs 在 Hugging Face 发布的数据集仓库，当前卡片主要关联文本生成与推理。本站固定记录上游版本 df09ee34ae7f，同步到 67 个文件，文件元数据合计 37.48 GB；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 trillionlabs/TheBioCollection 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】
trillionlabs/TheBioCollection 是 trillionlabs 在 Hugging Face 发布的数据集仓库，当前卡片主要关联文本生成与推理。本站固定记录上游版本 df09ee34ae7f，同步到 67 个文件，文件元数据合计 37.48 GB；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，用于文本生成与推理相关的训练、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：df09ee34ae7f。 任务标签：文本生成与推理。 语言字段：en。 数据集卡名称：TheBioCollection。 规模分类：10M<n<100M。 上游页面记录的最近更新时间：2026-07-20。

【文件信息】
上游 API 返回 67 个文件，文件元数据合计 37.48 GB。 已保存文件清单中的主要扩展名：.zst 64 个、.md 1 个、.png 1 个、无扩展名 1 个。 当前较大的文件包括：data/free_text_stream/free_text_stream_part_000024.jsonl.zst（475.53 MB）；data/free_text_stream/free_text_stream_part_000031.jsonl.zst（475.41 MB）；data/free_text_stream/free_text_stream_part_000011.jsonl.zst（475.40 MB）。

【运行或处理环境】
仓库文件元数据合计 37.48 GB。仅按下载、解压和临时文件估算，建议至少预留约 44.97 GB 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

TheBioCollection TheBioCollection is a 52.6B-token pretraining-scale corpus for biology that transforms heterogeneous biological resources into LLM training-friendly data. It is built through a construction pipeline that collects resources across biological domains, refines them through deduplication, entity tagging and augmentation, enriches them with tool-computed biological properties, and render them as instruction-form data with programmatically verifiable answers. The corpus spans broad biological domain across small molecules, proteins, genomic sequences, cells, and pathways. The evaluation suite is available as TheBioCollection-Eval on Hugging Face, with evaluation code in the trillion-labs/TheBioCollection-Eval GitHub repository. Corpus Statistics TheBioCollection consists of 64.1% free-text data and 35.9% instruction-style data by token count. Token counts are measured over the `text` field with the Gravity tokenizer (Gravity-16B-A3B-Base), excluding added special tokens. | Config | Records | Tokens | | --- | ---: | ---: | | Free-text stream (`free_text_stream`) | 37,227,311 | 33.8B | | Instruction stream (`instruction_stream`) | 25,137,542 | 18.9B | | Total | 62,364,853 | 52.6B | Data Format Files are line-delimited JSON compressed with Zstandard: or: Evaluation Results on TheBioCollection-Eval To measure the effect of the corpus, we midtrained Gravity-16B-A3B-Base on TheBioCollection to produce Gravity-bio-16B-A3B, then compared it with the original base model on the matched evaluation suite, TheBioCollection-Eval. Training with TheBioCollection more than doubles overall performance, with consistent gains across all domains. | Domain | Task | Gravity-16B-A3B-Base | Gravity-bio-16B-A3B | Δ | |---|---|---:|---:|---:| | **Small molecules** | Molecule reconstruction/design | 0.200 | **0.522** | +0.322 | | | Forward synthesis | 0.213 | **0.619** | +0.406 | | | Molecular property recognition | 0.280 | **0.390** | +0.110 | | | *Domain average* | 0.223 | **0.513

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，用于文本生成与推理相关的训练、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：df09ee34ae7f。 任务标签：文本生成与推理。 语言字段：en。 数据集卡名称：TheBioCollection。 规模分类：10M<n<100M。 上游页面记录的最近更新时间：2026-07-20。

文件说明

上游 API 返回 67 个文件，文件元数据合计 37.48 GB。 已保存文件清单中的主要扩展名：.zst 64 个、.md 1 个、.png 1 个、无扩展名 1 个。 当前较大的文件包括：data/free_text_stream/free_text_stream_part_000024.jsonl.zst（475.53 MB）；data/free_text_stream/free_text_stream_part_000031.jsonl.zst（475.41 MB）；data/free_text_stream/free_text_stream_part_000011.jsonl.zst（475.40 MB）。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

  • .gitattributes2.45 KB
  • data/free_text_stream/free_text_stream_part_000001.jsonl.zst474.60 MB
  • data/free_text_stream/free_text_stream_part_000002.jsonl.zst475.20 MB
  • data/free_text_stream/free_text_stream_part_000003.jsonl.zst473.67 MB
  • data/free_text_stream/free_text_stream_part_000004.jsonl.zst475.26 MB
  • data/free_text_stream/free_text_stream_part_000005.jsonl.zst474.78 MB
  • data/free_text_stream/free_text_stream_part_000006.jsonl.zst474.70 MB
  • data/free_text_stream/free_text_stream_part_000007.jsonl.zst474.74 MB
  • data/free_text_stream/free_text_stream_part_000008.jsonl.zst475.07 MB
  • data/free_text_stream/free_text_stream_part_000009.jsonl.zst475.12 MB
  • data/free_text_stream/free_text_stream_part_000010.jsonl.zst475.20 MB
  • data/free_text_stream/free_text_stream_part_000011.jsonl.zst475.40 MB

硬件建议

仓库文件元数据合计 37.48 GB。仅按下载、解压和临时文件估算，建议至少预留约 44.97 GB 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。