/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,8 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-1.7B-Base
Библиотека
transformers
Опубликована
28 сен 2026

BioMatrix-1.7B-Base

Генерация текстаТекст → текст3 профессии

Базовая мультимодальная модель на основе Qwen3 для дальнейшего обучения на текстах, последовательностях и 3D-данных малых молекул и белков.

524скачиваний за 30 дней0лайковвеса обновлены28 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

BioMatrix-1.7B-Base — базовая мультимодальная биологическая языковая модель, созданная авторами BioMatrix на основе Qwen3-1.7B-Base. Она продолжает предобучение исходной модели на текстах и данных о молекулах и белках: последовательностях SMILES и SELFIES, белковых последовательностях и 3D-структурах. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 1,8 млрд параметров; все модальности представлены в общем пространстве токенов и обучаются в рамках предсказания следующего токена. В README указан контекст 8 192 токена, тогда как метаданные указывают нативную длину 32 768 токенов.

Модель предназначена для дальнейшего дообучения и продолжения предобучения на биологических задачах, исследований совместного представления последовательностей, структур и естественного языка, а также извлечения представлений для классификации и регрессии. Она принимает и генерирует текстовые и биомолекулярные представления, но не настроена на выполнение инструкций; для готового диалогового применения авторы рекомендуют вариант BioMatrix-1.7B-SFT. Модель охватывает малые молекулы и белки, но не нуклеиновые кислоты, углеводы и липиды; отдельные системы координат для 3D-молекул и белков не позволяют напрямую моделировать их комплексы. Указанная лицензия — Apache-2.0.

Сценарии применения

  • дообучение на задачах химии и биологии
  • продолжение предобучения на специализированных биологических корпусах
  • извлечение представлений молекул и белков для классификации
  • извлечение представлений для регрессии биомолекулярных свойств
  • исследование совместного моделирования последовательностей, структур и текста

Ограничения

Модель не настроена на выполнение инструкций и может плохо следовать запросам без дополнительного дообучения. Она не поддерживает нуклеиновые кислоты, углеводы и липиды, а также не может нативно представлять комплексы молекул и белков; указанные в README и метаданных значения длины контекста различаются.

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-Base

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 Base model, obtained via multimodal continual pretraining of Qwen3-1.7B-Base on 304.4 billion tokens spanning text, molecular and protein 1D/3D data, and cross-modal corpora. This base checkpoint is intended for further fine-tuning on downstream tasks. For an instruction-tuned model ready for inference, see BioMatrix-1.7B-SFT. For a larger model, see BioMatrix-4B-Base.

Model Overview

BioMatrix maps all biological 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✓✗✓✗✓
BioMatrix✓✓✓✓✓

Model Details

  • Base Architecture: Qwen3-1.7B-Base
  • Parameters: 1.7B
  • Training Stage: Multimodal Continual Pretraining only (not instruction-tuned)
  • Training Tokens: 304.4B
  • 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

Embedding Initialization

New vocabulary entries are initialized via a description-based scheme: each new token is grounded in the pretrained Qwen3 embedding space by averaging the embeddings of the subword tokens of a short natural-language description (e.g., <A_W> → "Tryptophan"), plus a small isotropic Gaussian perturbation to break symmetry. This provides a more stable starting point than random initialization.

Pretraining Corpus (304.4B tokens)

CategoryTokensSources
Text (105.3B)General: 25.6BFineWeb-Edu
Scientific: 79.7BFineFineWeb (biology/chemistry/medical/health), PubMed Full Articles
Molecule (73.7B)1D: 36.0BPubChem, MolTextNet
3D: 17.6BPubChem, PCQM4Mv2, PubChemQC
Other: 24.0B(text descriptions, properties, IUPAC names)
Protein (77.4B)1D: 17.1BUniRef50
3D: 38.5BRCSB PDB, AlphaFold DB
Other: 19.5BSwiss-Prot, TrEMBL annotations
Other (additional): 2.9B
Cross-entity (48.0B)Interleaved Text: 17.1BPubMed, bioRxiv, S2ORC, USPTO
3D: 11.4BCrossDocked, PPIRef
Other: 19.5BBindingDB, STITCH, jglaser, AlphaSeq

Training Configuration

  • Framework: LLaMA-Factory
  • Hardware: 64 NVIDIA H100 GPUs
  • Global Batch Size: 1,024
  • Maximum Sequence Length: 8,192 tokens
  • Optimizer: AdamW
  • Peak Learning Rate: 2.0 × 10⁻⁴ (cosine schedule)
  • Warmup Steps: 2,000
  • Total Steps: ~36.4K (1 epoch over the full 304.4B-token corpus)

Intended Use

This Base model is not instruction-tuned. It is suitable for:

  • Further fine-tuning on custom biological tasks
  • Continued pretraining on domain-specific corpora
  • Research on representation learning across biomolecular modalities
  • Embedding extraction for downstream classification/regression tasks

For ready-to-use instruction-following capabilities (e.g., molecule captioning, protein design, property prediction), please use the SFT variant.

The BioMatrix SFT variants cover downstream molecule and protein task families such as generation, prediction, captioning, editing, folding, inverse folding, and structure-aware question answering:

Quick Start

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "QizhiPei/BioMatrix-1.7B-Base"
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: Continue a SMILES sequence
prompt = "<|mol_smi_start|>CC(=O)"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=False))

Modality Wrapping

When constructing inputs, 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.

Limitations

  • This model is not instruction-tuned and is unlikely to follow natural-language instructions out-of-the-box. Use the SFT variant for instruction-following.
  • 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.

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
2a3bf44

0 моделей