/ Модель

Характеристики

Контекст
256 токенов
Лицензия
MIT
Архитектура
gpt2 · dense
Библиотека
transformers
Опубликована
10 сен 2026

gpt2_zinc_87m

Генерация текстаТекст → текст3 профессии

Компактная GPT-2-модель для генерации новых лекарственноподобных молекул и получения эмбеддингов из строк SMILES.

103скачиваний за 30 дней0лайковвеса обновлены10 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Aurigene AI разместила зеркальную копию GPT2 Zinc 87m — авторегрессионной модели в стиле GPT-2, обученной генерировать строки SMILES по примерно 480 млн молекул из базы ZINC. Исходная модель опубликована как entropy/gpt2_zinc_87m; в карточке указано около 87 млн параметров. Модель использует Transformers и PyTorch, а её контекст составляет 256 токенов.

Модель предназначена для генерации структуроподобных лекарственных молекул de novo и получения эмбеддингов из SMILES. По описанию, она достаточно компактна для генерации тысяч структур на CPU ноутбука; тесты генерации показали высокую долю уникальных и корректных SMILES при нескольких значениях температуры.

Для обработки SMILES важно учитывать, что токенизатор GPT2TokenizerFast не добавляет BOS и EOS автоматически, хотя модель обучалась с этими токенами вокруг строк. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT.

Сценарии применения

  • генерация новых молекулярных структур в формате SMILES
  • создание набора кандидатов для поиска лекарственных соединений
  • быстрая генерация молекул на CPU ноутбука
  • получение эмбеддингов молекул из SMILES

Ограничения

Токенизатор GPT2TokenizerFast не добавляет BOS и EOS автоматически, поэтому при подготовке SMILES может потребоваться добавить эти токены вручную. Карточка описывает проверку уникальности и структурной корректности сгенерированных строк, но не подтверждает их биологическую активность или пригодность в качестве лекарств.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Mirrored by Aurigene AI

Discovery stage: Hit generation

Autoregressive SMILES generator trained on ~480M ZINC molecules. Small enough to sample thousands of de novo structures on a laptop CPU.

Upstream: entropy/gpt2_zinc_87m - all credit to the original authors; the model card and licence below are theirs.

Explore the rest of the catalogue: Molecule Explorer - Protein Target Explorer - Drug Discovery Model Hub


GPT2 Zinc 87m

This is a GPT2 style autoregressive language model trained on ~480m SMILES strings from the ZINC database.

The model has ~87m parameters and was trained for 175000 iterations with a batch size of 3072 to a validation loss of ~.615. This model is useful for generating druglike molecules or generating embeddings from SMILES strings

How to use

from transformers import GPT2TokenizerFast, GPT2LMHeadModel

tokenizer = GPT2TokenizerFast.from_pretrained("entropy/gpt2_zinc_87m", max_len=256)
model = GPT2LMHeadModel.from_pretrained('entropy/gpt2_zinc_87m')

To generate molecules:

inputs = torch.tensor([[tokenizer.bos_token_id]])

gen = model.generate(
              inputs,
              do_sample=True, 
              max_length=256, 
              temperature=1.,
              early_stopping=True,
              pad_token_id=tokenizer.pad_token_id,
              num_return_sequences=32
                         )
smiles = tokenizer.batch_decode(gen, skip_special_tokens=True)

To compute embeddings:

from transformers import DataCollatorWithPadding

collator = DataCollatorWithPadding(tokenizer, padding=True, return_tensors='pt')

inputs = collator(tokenizer(smiles))
outputs = model(**inputs, output_hidden_states=True)
full_embeddings = outputs[-1][-1]
mask = inputs['attention_mask']
embeddings = ((full_embeddings * mask.unsqueeze(-1)).sum(1) / mask.sum(-1).unsqueeze(-1))

WARNING

This model was trained with bos and eos tokens around SMILES inputs. The GPT2TokenizerFast tokenizer DOES NOT ADD special tokens, even when add_special_tokens=True. Huggingface says this is intended behavior.

It may be necessary to manually add these tokens

inputs = collator(tokenizer([tokenizer.bos_token+i+tokenizer.eos_token for i in smiles]))

Model Performance

To test generation performance, 1m compounds were generated at various temperature values. Generated compounds were checked for uniqueness and structural validity.

  • percent_unique denotes n_unique_smiles/n_total_smiles
  • percent_valid denotes n_valid_smiles/n_unique_smiles
  • percent_unique_and_valid denotes n_valid_smiles/n_total_smiles
temperaturepercent_uniquepercent_validpercent_unique_and_valid
0.50.92807410.928074
0.750.9984680.9999670.998436
10.9996590.9991640.998823
1.250.9995140.993510.993027
1.50.9987490.9702230.96901

Property histograms computed over 1m generated compounds: property histograms

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
4560d83

0 моделей