Geneformer

模型与发布

Broad 等发布，V1 预训练于 2021-06，V2 于 2024-12 [1][2]。

训练数据配方

• 公共库：V1 为 Genecorpus-30M，29,900,531 个细胞、561 个数据集；V2 为 Genecorpus-104M，约 1.04 亿非癌细胞，再续训约 1,400 万癌症细胞；排除恶性与永生化细胞系 [1][2]。
• 蒸馏合成与私有真值：无。

数据供应方与许可

公共 scRNA-seq 数据（见 CZ CELLxGENE Discover / Census）。

已知问题与口径冲突

V2 总量口径不一：HF 卡约 1.04 亿非癌加 1,400 万癌症，Helical 卡写 1.03 亿（9,500 万加 1,400 万），以 HF 官方卡为准并标注（二手）[1][2]。

来源

1. https://huggingface.co/datasets/ctheodoris/Genecorpus-30M (2026-10-15)
2. https://helical.readthedocs.io/en/latest/model_cards/geneformer/ (2026-10-15)