核心信息

FineDNA 被介绍为一个用于教任意语言模型理解 DNA 的数据集，包含 3000 亿+ token 的基因组序列、论文以及与 DNA 混合的网页文本，另有 20 万条 SFT 和 9.8 万条 RL 样本。据称在 Qwen3-14B 上训练可得到最强的开源模型。

要点

  • 3000 亿+ token 的基因组序列、论文及 DNA 与文本混合的网页
  • 包含 20 万条监督微调（SFT）样本
  • 包含 9.8 万条强化学习（RL）样本
  • 据称在 FineDNA 上训练 Qwen3-14B 可得到最强的开源模型
  • 定位为可教任意语言模型理解 DNA 的数据集