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: 17 сен 2026

Ссылки

Hugging Face

intern-s1-mini-context-conditioned-molecule-transfer-v10-3-0-2-bioavailability-ma-BEST

jiosephlee

Генерация текстаТекст → текст3 профессии

Дообученная Qwen3-модель для контекстно-зависимого переноса молекулярных свойств и оценки пероральной биодоступности.

426скачиваний за 30 дней0лайковвеса обновлены17 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

BEST — Intern-S1-mini context-conditioned molecule transfer V10.3.0.2 — это дообученная языковая модель jiosephlee для переноса свойств молекул с учётом контекста анализа. Чекпойнт предназначен для задачи пероральной биодоступности и выбран по результатам валидации из серии смешанного непрерывного обучения. Основа — jiosephlee/Intern-S1-mini-lm; модель имеет архитектуру Qwen3ForCausalLM с 7,6 млрд параметров и принимает контекст до 65 536 токенов.

Модель поставляется в формате Transformers с весами safetensors и токенизатором. В README приведены метрики Macro-F1@5, NDCG@5 и Spearman на валидационной и тестовой выборках; это результаты конкретного эксперимента, а не гарантия качества на новых данных. Сведения о лицензии и точном формате входных данных в карточке не приведены.

Сценарии применения

Оценка пероральной биодоступности молекул с учётом контекста анализа
Перенос оценок биодоступности между контекстами анализа
Ранжирование молекул-кандидатов по биодоступности в рамках соответствующего контекста

Ограничения

Метрики приведены для конкретных валидационной и тестовой выборок и не гарантируют качество на других данных. Точный формат входных данных и лицензия в доступных материалах не описаны.

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 I.13Универсальные способностиСимуляция, моделирование и открытие новогоAI помогает исследовать сложные системы, проверять сценарии и искать новые конструкции, закономерности или гипотезы.18 задач1 577моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BEST — Intern-S1-mini context-conditioned molecule transfer V10.3.0.2: Oral bioavailability

Validation-selected best checkpoint from the V10.3.0.2 mixed-continuous Oral bioavailability context-conditioned molecule-transfer run.

Provenance

Base model: jiosephlee/Intern-S1-mini-lm
Base model revision: fcb667c380ae01f57693a45b4b5c2d331052a107
Training data: V10.3.0.2 Bioavailability Ma mixed-continuous artifact
Intended dataset ID: jiosephlee/context-conditioned-molecule-transfer-v10.3.0.2-bioavailability-ma-mixed-continuous-intern (local artifact; not published as a Hub dataset)
Training: 10 epochs, seed 42, soft-target loss
Selection metric: validation knn_binary_macro_f1_at_5
Selected optimizer step: 160

Metrics

Split	Macro-F1@5	NDCG@5	Spearman
Validation	0.6401	0.7342	0.3561
Test	0.7066	0.7566	0.4096

The repository contains the full Transformers checkpoint and tokenizer files. metric.json is the complete validation-selection record stored with the checkpoint.

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: 29cc74f