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: 21 сен 2026

Ссылки

Hugging Face

intern-s1-mini-assay-transfer-record-level-v27-bioavailability-ma-l2-best

jiosephlee

Генерация текстаТекст → текст3 профессии

Дообученная текстовая Qwen3-модель для переноса результатов анализов и оценки пероральной биодоступности соединений.

194скачиваний за 30 дней0лайковвеса обновлены21 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Intern-S1-mini Oral Bioavailability Assay Transfer v27 L2 — модель на основе Qwen3ForCausalLM, разработанная jiosephlee и дообученная от jiosephlee/Intern-S1-mini-lm для переноса данных между анализами пероральной биодоступности. Она предназначена для работы с записями химических анализов и прогнозирования относительной активности соединений в задачах поиска ближайших примеров и ранжирования по биодоступности.

Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Для обучения использовался датасет assay-transfer-record-level-v27-bioavailability-ma-l2-intern; выбран чекпойнт на шаге 500 по совместной метрике MAE@3 для распределений ID и OOD. На тестовой панели из 500 запросов ID модель показала MAE@3 0,7043 и превзошла базовые варианты с Morgan fingerprints по MAE@3.

Модель рассчитана на специализированные задачи химической биоинформатики и не является универсальным предиктором биодоступности за пределами описанного сценария. Результаты зависят от состава анализов и представительности обучающих данных; README не содержит сведений о лицензии.

Сценарии применения

сравнение соединений по результатам анализа пероральной биодоступности
поиск ближайших записей анализа для нового соединения
оценка биодоступности на панели химических соединений
перенос результатов между наборами данных химических анализов

Ограничения

Оценки подтверждены для указанного набора L2 и панели из 500 ID-запросов; перенос на другие анализы и химические области этими результатами не подтверждён. Лицензия в предоставленных данных не описана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Intern-S1-mini Oral Bioavailability Assay Transfer v27 L2

Best validation checkpoint from record-level assay-transfer training on the L2 oral bioavailability dataset. The dataset was pinned to revision fecee3c43fe00d264fd7cbfbbcc82c6eb18379a6.

Training

Selected checkpoint: step 500
Training stopped after step 580 (4.5 of 10 planned epochs)
Device batch size: 4 on 8 GPUs
Gradient accumulation: 4
Attention: FlashAttention 2
Packing: padding-free BFD packing
Selection metric: joint ID/OOD level-macro KNN regression MAE@3

Validation at the selected checkpoint

Metric	Value
Joint ID/OOD MAE@3	0.7386
ID MAE@3	0.9007
OOD MAE@3	0.5765
Spearman@3	0.0816
Top1@3	0.2231

Held-out test comparison

The v27 L2 test panel contains 500 ID queries. Lower is better for MAE; higher is better for the other metrics.

Ranker	MAE@3	MAE@5	Spearman	Spearman@3	Top1@3	NDCG@3
Model	0.7043	0.6953	0.3741	0.0075	0.1880	0.4030
Morgan vanilla	0.8312	0.8003	0.0205	0.0522	0.1140	0.3018
Morgan weighted	0.8302	0.8127	0.0412	0.0353	0.1040	0.3066

The model reduces MAE@3 by 15.3% versus vanilla Morgan and 15.2% versus weighted Morgan. Full per-query, per-bucket, and subgroup metrics are tracked in the associated W&B evaluation run.

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: f7f245d