/ Модель

Характеристики

Контекст
65 536 токенов
Параметры
7,6 млрд
Размер весов
16,4 ГБ
Архитектура
qwen3 · dense
Базовая модель
Intern-S1-mini-lm
Библиотека
transformers
Опубликована
22 сен 2026

intern-s1-mini-assay-transfer-record-level-v27-ames-general-best

Генерация текстаТекст → текст3 профессии

Дообученная Intern-S1-mini ранжирует варианты переноса AMES assay по текстовым A/B-промптам на уровне отдельных записей.

207скачиваний за 30 дней0лайковвеса обновлены22 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

Это дообученная модель Intern-S1-mini от jiosephlee для ранжирования результатов переноса AMES assay на уровне записей. Она принимает текстовые A/B-промпты переноса assay и предназначена для оценки и упорядочивания кандидатов в рамках этой задачи, а не для предсказания свойств молекул общего назначения. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 65 536 токенов; для работы используются Transformers и файлы весов safetensors.

Контрольная точка выбрана по валидационной метрике KNN regression MAE@3; README также приводит результаты на отложенном тестовом ранжировании и сравнение с Morgan fingerprint-бейзлайнами. Модель обучена на датасете AMES general V27 с soft-target loss. В карточке указано, что загрузка требует trust_remote_code=True для пользовательского токенизатора. Сведения о лицензии и поддерживаемых естественных языках не приведены.

Сценарии применения

  • ранжирование кандидатов для переноса AMES assay
  • сравнение вариантов A/B в assay-transfer промптах
  • оценка порядка записей для переноса результатов AMES-тестов

Ограничения

Модель предназначена для AMES general record-level assay transfer и не является универсальным предиктором свойств молекул. Для пользовательского токенизатора требуется trust_remote_code=True; лицензия в доступных данных не указана.

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

Intern-S1-mini: AMES general record-level assay transfer V27

This is the validation-selected full-model checkpoint from the AMES general V27 record-level assay-transfer run. It is trained to score A/B assay-transfer prompts, not as a general-purpose molecule predictor.

Provenance

  • Base model: jiosephlee/Intern-S1-mini-lm
  • Base model revision: fcb667c380ae01f57693a45b4b5c2d331052a107
  • Training dataset: jiosephlee/assay-transfer-record-level-v27-ames-general-intern
  • Dataset revision: 77a918b7aacb32abc9f1fbfae552106e46fb5276
  • Training schedule: 1,000 optimizer steps, effective batch size 128, seed 42, soft-target loss
  • Selection metric: validation joint ID/OOD level-macro KNN regression MAE@3
  • Selected optimizer step: 725
  • Weights & Biases training run

Metrics

The selected checkpoint's validation joint ID/OOD level-macro KNN regression MAE@3 was 0.4085 (ID 0.4519, OOD 0.3651; lower is better).

On the 1,000-query held-out test ranking split, the corresponding metric was 0.5576 for this model, 0.9218 for weighted Morgan, and 0.9954 for vanilla Morgan. Test NDCG@3 was 0.7463, versus 0.5218 and 0.5205; Spearman correlation was 0.4763, versus 0.0133 and 0.0143.

The repository includes the tokenizer, model weights, and metric.json with the complete checkpoint-selection record. Loading requires trust_remote_code=True for the custom tokenizer.

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
e731fd4

0 моделей