/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,7 млрд
Размер весов
9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
BioMatrix-4B-Base
Библиотека
transformers
Опубликована
28 апр 2026

BioMatrix-4B-SFT

Генерация текстаТекст → текст3 профессии

BioMatrix-4B-SFT — дообученная мультимодальная модель для генерации и анализа текста, молекул и белков, включая их последовательности и 3D-структуры.

71скачиваний за 30 дней2лайкавеса 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-4B-SFT — биологическая мультимодальная модель, разработанная авторами проекта BioMatrix и дообученная на базе BioMatrix-4B-Base. Это плотная авторегрессионная модель семейства Qwen3 примерно с 3,7 млрд параметров: она обрабатывает и генерирует текст, последовательности и 3D-представления малых молекул и белков в общем пространстве токенов. Для неё заявлены 80 биологических задач, включая генерацию и анализ молекул, предсказание их свойств, работу с белковыми последовательностями и структурами, обратный фолдинг и оценку связывания.

Метаданные указывают контекст до 32 768 токенов, а README — 8 192 токена; точное значение контекста поэтому расходится между источниками. Модель предназначена для исследовательских и прикладных задач биоинформатики и разработки лекарств. Авторы сообщают о конкурентных результатах на 77 из 80 задач, но конкретные показатели относятся к выбранным бенчмаркам и не гарантируют качество в иных условиях.

Модель не представляет комплексы молекула-белок в общей системе координат, поддерживает только малые молекулы и белки, а дискретизация вносит погрешность в точную 3D-геометрию. Лицензия — Apache-2.0.

Сценарии применения

  • генерация молекул по текстовому описанию
  • предсказание свойств малых молекул
  • преобразование названий молекул в SMILES
  • анализ и аннотация белковых последовательностей
  • генерация белковых последовательностей по структуре
  • оценка сродства связывания белка и молекулы
  • совместная генерация белковой последовательности и структуры

Ограничения

Модель не поддерживает нуклеиновые кислоты, углеводы и липиды, а также не представляет комплексы молекула-белок в общей системе координат; дискретизация может снижать точность 3D-геометрии. Специализация на биологии может ослаблять общие языковые возможности 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-4B-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 4B-parameter SFT (Supervised Fine-Tuned) variant, instruction-tuned across 80 downstream biological tasks spanning 6 categories.

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: Qwen3-4B-Base
  • Parameters: 4B
  • 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

BioMatrix achieves state-of-the-art or competitive performance on 77 out of 80 tasks. Selected highlights for the 4B-SFT variant:

Molecular Tasks

  • Unconditional 1D Generation (GuacaMol): 0.998 validity, 1.000 uniqueness, 0.986 novelty
  • Name Conversion (I2S EM): 92.83% (vs. SciReasoner-8B: 84.40%)
  • Text-Based Molecule Generation (EM): 65.07% (vs. SciReasoner-8B: 48.00%)
  • MoleculeQA Total Accuracy: 73.78% (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): 87.25% accuracy
  • Annotation Prediction (UniProtSeq Keywords F1): 91.26%
  • Inverse Folding AAR: 75.50% (vs. DPLM-2-3B: 61.67%)
  • Sequence–Structure Co-generation: scTM = 0.965, scRMSD = 2.80
  • Unconditional Backbone Generation: scTM = 0.963 (joint frontier with RFDiffusion)

Interaction Tasks

  • BindingDB Affinity (RMSE): 1.030 (new SOTA, surpasses prior literature SOTA of 1.340)
  • PDBBindv2020 3D Affinity: RMSE = 1.260, Pearson = 0.737, MAE = 0.972

Quick Start

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "QizhiPei/BioMatrix-4B-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-4B-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 (Qwen3-4B-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
0b291cd

0 моделей