/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,8 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
BioMatrix-1.7B-Base
Библиотека
transformers
Опубликована
28 апр 2026

BioMatrix-1.7B-SFT

Генерация текстаТекст → текст3 профессии

BioMatrix-1.7B-SFT — дообученная мультимодальная модель для генерации и анализа молекул, белков и их структур вместе с естественным языком.

130скачиваний за 30 дней0лайковвеса обновлены23 июн 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

BioMatrix-1.7B-SFT — мультимодальная биологическая модель, разработанная на основе Qwen3 и дообученная командой QizhiPei. Она объединяет в общей токенизации текст, 1D-последовательности и 3D-структуры малых молекул и белков и выполняет их обработку в единой decoder-only архитектуре с предсказанием следующего токена. Модель содержит около 1,8 млрд параметров, поддерживает контекст до 32 768 токенов по метаданным и распространяется в формате safetensors по лицензии Apache-2.0.

Версия SFT настроена на 80 биологических задач: генерацию и анализ молекул, предсказание их свойств, понимание и проектирование белков, работу с их структурами, а также оценку взаимодействий и сродства связывания. Входами и выходами могут быть естественный язык, молекулярные представления SMILES и SELFIES, последовательности белков и их 3D-структуры. Карточка описывает обучение на английском и приводит языковой токенизатор Qwen3; другие поддерживаемые естественные языки не заявлены.

Модель показывает результаты на задачах генерации молекул, предсказания свойств, аннотации и проектирования белков и оценки связывания. Ограничения: структуры молекул и белков используют раздельные геометрические системы отсчёта, поэтому модель не представляет нативно комплексы, например позы докинга; специализация может ухудшать общие языковые способности. Поддержка ограничена малыми молекулами и белками, а 3D-геометрия сохраняет ошибку квантования, которую можно уменьшить постобработкой силовым полем.

Сценарии применения

  • генерация молекул по текстовому описанию
  • преобразование названий соединений в SMILES или SELFIES
  • предсказание свойств и сродства связывания молекул
  • аннотация и классификация белковых последовательностей
  • проектирование белковых последовательностей и обратный фолдинг
  • совместная генерация белковых последовательностей и структур

Ограничения

Модель не представляет нативно комплексы молекул и белков из-за раздельных геометрических систем отсчёта; поддержка ограничена малыми молекулами и белками, а точность 3D-геометрии ограничена квантованием. Специализация может ухудшать общие языковые способности базовой модели.

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

BioMatrix-1.7B-SFT

BioMatrix is a multimodal biological foundation model that natively integrates 1D sequences, 3D structures, and natural language for both molecules and proteins within a single decoder-only architecture.

This is the 1.7B-parameter SFT (Supervised Fine-Tuned) variant, instruction-tuned across 80 downstream biological tasks spanning 6 categories. For a larger and more capable model, see BioMatrix-4B-SFT.

Model Overview

BioMatrix closes the gap between native multimodality and broad entity coverage in biological foundation models. Unlike adapter-based approaches that bolt external encoders onto a language model, or prior native-tokenization models confined to a single entity type, BioMatrix maps all modalities into a shared discrete token space via a unified tokenization scheme:

  • Molecular 1D sequences (both SMILES and SELFIES notations)
  • Molecular 3D structures (via MolStrucTok with branch-decoupled decoder)
  • Protein 1D sequences (residue-level tokens)
  • Protein 3D structures (via GCP-VQVAE backbone tokenizer)
  • Natural language (inherited from Qwen3 tokenizer)

All modalities are consumed and produced uniformly under a single next-token prediction objective—without external encoders, projection adapters, or modality-specific output heads.

ModelMolecule 1DMolecule 3DProtein 1DProtein 3DNatural Language
ESM3✗✗✓✓✓
3D-MoLM✓✓✗✗✓
AlphaFold3✓✓✓✓✗
BioT5/BioT5+✓✗✓✗✓
BioMedGPT✓✗✓✗✓
NatureLM✓✗✓✗✓
SciReasoner✓✗✓✗✓
BioMatrix✓✓✓✓✓

Model Details

  • Base Architecture: Qwen3-1.7B-Base
  • Parameters: 1.7B
  • Training Stages:
    • Continual Pretraining on 304.4B tokens (general/scientific text, molecular & protein 1D/3D data, cross-modal interleaved corpora)
    • Instruction Tuning on a comprehensive suite of 80 downstream tasks across 6 categories
  • Context Length: 8,192 tokens
  • Tokenizer: Extended Qwen3 vocabulary with:
    • 11,294 joint molecular 3D tokens (composed from SELFIES atom × MolStrucTok codes)
    • 4,096 protein 3D tokens (GCP-VQVAE codebook)
    • 26 protein 1D tokens (amino acids + non-standard/unknown)
    • SELFIES atom tokens and modality-specific control tokens

Pretraining Corpus (304.4B tokens)

CategoryTokensSources
Text105.3BFineWeb-Edu, FineFineWeb (biology/chemistry/medical/health), PubMed Full Articles
Molecule73.7BPubChem, PCQM4Mv2, PubChemQC, MolTextNet
Protein77.4BUniRef50, RCSB PDB, Swiss-Prot, TrEMBL, AlphaFold DB
Cross-entity48.0BInterleaved text (PubMed, bioRxiv, S2ORC, USPTO), Molecule–protein (BindingDB, STITCH, jglaser, CrossDocked), Protein–protein (AlphaSeq, PPIRef)

Performance Highlights

Despite its compact 1.7B size, BioMatrix delivers strong performance across diverse biological tasks—often surpassing models several times larger. Selected highlights:

Molecular Tasks

  • Unconditional 1D Generation (GuacaMol, SELFIES): 0.999 validity, 1.000 uniqueness
  • Name Conversion (I2S EM): 87.22% (surpasses SciReasoner-8B at 84.40%)
  • Text-Based Molecule Generation (EM): 56.35% (vs. SciReasoner-8B: 48.00%)
  • MoleculeQA Total: 70.07% (vs. prior best MolCA-1.3B: 64.79%)
  • Property-Conditioned 3D Generation: ~3-4× error reduction on QM9 electronic-structure targets

Protein Tasks

  • Fold Type Prediction (Family level): 85.84% accuracy
  • EC Number Prediction (Price split, F1): 34.34% (surpasses SciReasoner-8B at 22.00%)
  • Inverse Folding AAR: 75.20% (vs. DPLM-2-3B: 61.67%)
  • Sequence–Structure Co-generation: scTM = 0.965, scRMSD = 2.81

Interaction Tasks

  • BindingDB Affinity (RMSE): 1.268
  • PDBBindv2020 3D Affinity: best Spearman correlation (0.717) among all baselines

Quick Start

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "QizhiPei/BioMatrix-1.7B-SFT"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True
)

# Example: Molecule captioning with SELFIES input
instruction = "I need a brief explanation of the molecule denoted in this SELFIES notation. <|mol_sfi_start|>[Te]<|mol_sfi_end|>"

messages = [
    {"role": "user", "content": instruction}
]
prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=2048, do_sample=False)
response = tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=False)
print(response)

Modality Wrapping

When constructing prompts, biomolecular content must be wrapped with the corresponding control tokens:

ModalityWrapping Example
Molecule SMILES<|mol_smi_start|>CC#CC#N<|mol_smi_end|>
Molecule SELFIES<|mol_sfi_start|>[C][#C][C][#N]<|mol_sfi_end|>
Molecule 3D<|mol_3d_start|>[H 3][C 0][#C 6]...<|mol_3d_end|>
Protein 1D<|prot_aa_start|><A M><A R><A A>...<|prot_aa_end|>
Protein 3D<|prot_3d_start|><S 4012><S 153><S 2091>...<|prot_3d_end|>

Natural language text is left unwrapped and serves as the default carrier modality.

Supported Tasks

BioMatrix-1.7B-SFT was instruction-tuned across the following task categories:

Molecule (1D): unconditional generation, name conversion, property prediction, captioning, text-based generation, forward/retrosynthesis, editing, optimization, customized generation, question answering

Molecule (3D): unconditional generation, property-conditioned generation

Protein (1D): sequence understanding, annotation prediction, knowledge mining, text-based design, unconditional generation

Protein (3D): structure understanding, folding, inverse folding, sequence-structure co-generation, unconditional backbone generation

Interaction: molecule-protein binding affinity (1D & 3D), protein-protein interaction

Note on task-group variants: As detailed in the paper, the released SFT model is trained on the union of all sub-task corpora with mild oversampling for small-data tasks. For best performance on specific benchmarks, please refer to the paper's task-group-specific variants.

SMILES vs. SELFIES

BioMatrix supports both notations as parallel 1D molecular representations. Empirically:

  • SELFIES excels on tasks requiring validity-by-construction (unconditional generation, property optimization)
  • SMILES excels on tasks requiring surface-level structural anchoring (customized generation with atom/bond/functional-group constraints, forward synthesis, retrosynthesis)

See Section 9.2 of the paper for detailed analysis.

Limitations

  • Molecular and protein 3D structures are tokenized in disjoint geometric reference frames, so the model cannot natively represent biomolecular complexes (e.g., docking poses).
  • Heavy domain specialization may erode some general-purpose language capabilities of the underlying Qwen3 backbone.
  • Coverage is limited to small molecules and proteins; nucleic acids, carbohydrates, and lipids are not currently supported.
  • Fine-grained 3D geometry (e.g., bond lengths) shows residual quantization error from finite codebooks; a lightweight post-hoc force-field refinement (e.g., MMFF) closes most of this gap.

Citation

If you find BioMatrix useful, please cite:

@article{pei2026biomatrix,
  title={BioMatrix: Towards a Comprehensive Biological Foundation Model Spanning the Modality Matrix of Sequences, Structures, and Language},
  author={Pei, Qizhi and Zhou, Zhimeng and Duan, Yi and Zhao, Yiyang and Li, Wei and Guo, Han and He, Liang and Li, Chengping and Hsieh, Chang-Yu and He, Conghui and Yan, Rui and Wu, Lijun},
  journal={arXiv preprint arXiv:2606.22138},
  year={2026}
}

License

This model is released under the Apache 2.0 license. The base model (Qwen3-1.7B-Base) is subject to its own license terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
f020508

0 моделей