/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
Своя лицензия
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Instruct
Библиотека
transformers
Опубликована
9 июл 2026

MKB

Изображение и текст → текст3 профессии

MKB — научная мультимодальная модель на базе Qwen3-VL-8B-Instruct для анализа биологических и молекулярных данных, прогнозирования погоды и сегментации медицинских изображений.

137скачиваний за 30 дней18лайковвеса обновлены20 авг 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 «Изображение → 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

神珍 (Monkey King Bang, MKB) — научная мультимодальная модель, представленная sais-org, предназначенная для совместного анализа и генерации данных в биологии, химии, науках о Земле и медицинской визуализации. В основе — дообученная Qwen3-VL-8B-Instruct; README указывает около 11 млрд параметров вместе с научными энкодерами и декодерами. Архитектура использует специализированные пути для белков, РНК, ДНК, молекулярных графов, погодных полей и медицинских изображений, объединённые общим языковым интерфейсом.

Модель выполняет научные вопросы и классификацию, анализ последовательностей и молекул, проектирование последовательностей РНК, преобразование описаний молекул в SMILES, прогноз погоды на 10 дней по глобальным данным ERA5 и сегментацию медицинских изображений по текстовым подсказкам. Метаданные указывают поддержку диалога и изображений; README также описывает специализированный ввод научных структур и генерацию прогнозов, последовательностей и сегментационных результатов. Карточка приводит результаты бенчмарков в биологии, химии, прогнозе погоды и медицинской сегментации.

Для запуска требуется код из сопутствующего репозитория, поскольку используется специальная мультимодальная архитектура. В README указаны лицензии Apache-2.0 и SAM License для соответствующего пути обработки изображений; метаданные Hugging Face обозначают лицензию как other, поэтому условия следует проверять отдельно для нужных компонентов.

Сценарии применения

  • классификация и ответы на вопросы по белковым, РНК- и ДНК-последовательностям
  • проектирование последовательностей РНК
  • преобразование текстового описания молекулы в SMILES
  • прогноз глобальной погоды на 10 дней по ERA5
  • сегментация медицинских изображений по текстовым запросам

Ограничения

Для запуска требуется специальный код из сопутствующего репозитория. Метаданные указывают лицензию other, тогда как README называет Apache-2.0 и SAM License; условия использования компонентов следует уточнить по их лицензиям.

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

🤗 Model  •  💻 GitHub  •  📜 Technical Report  •  ⚖️ License: Apache-2.0 + SAM License

神珍 · Monkey King Bang (MKB)

神珍 is a unified scientific multimodal foundation model that supports scientific understanding and generation across Earth science, proteins, RNA, DNA, and small molecules. Native scientific encoders/decoders wrap a shared Qwen3-VL-8B-Instruct backbone (about 11B parameters in total), so heterogeneous scientific data (sequences, molecular graphs, gridded physical fields, medical images) are reasoned about and generated in one representation space — natural language in and out, no per-task fine-tuning.

📜 Read the technical report for architecture, training, and full benchmarks.

Key features

  • Unified understanding and generation across 7 modalities through one natural-language interface.
  • Seven modalities, one 8B backbone (protein / RNA / DNA / molecule / weather / medical-image / text) via a modality router.
  • Native scientific encoders/decoders (ESM-2, RNA/DNA ConvFormers, molecular graph encoder, Swin-ViT weather tower, SAM-based image path) preserve domain structure a generic tokenizer would destroy.

Capabilities

ModalityUnderstandingGeneration
Protein✅—
RNA✅✅
DNA✅—
Molecule✅✅
Weather—✅
Medical image—✅
Text✅✅

Understanding = classification / regression / scientific QA. Generation: RNA sequence design · Molecule text → SMILES · Weather 10-day global ERA5 0.25° forecast · Medical-image text-prompted segmentation (SAM 3-based; Meta SAM License).

Benchmarks

神珍 (8B backbone, ~11B total) vs Biology-Instructions (Llama-3.1-8B, text-token, no scientific encoders) and Intern-S1-Pro (~1T MoE scientific model). Bold = best; underline = second-best.

Biological sequence understanding

TaskMetric神珍 (~11B)Biology-Instructions (8B)Intern-S1-Pro (~1T)
DNA · Epigenetic marks (EMP)MCC71.993.6414.02
DNA · Promoter det. 300bp (PD300)MCC91.1758.1882.65
DNA · Core-promoter (CPD)MCC66.3544.5454.60
DNA · Enhancer activity (EA)PCC52.6453.2855.16
RNA · ncRNA functionAcc91.4663.0934.50
RNA · ModificationAUC96.0359.0657.77
RNA · APA isoformR²79.8759.0182.95
RNA · CRISPR on-targetSpearman ρ28.76-0.0215.69
Protein · StabilitySpearman ρ70.6360.2560.82
Protein · FluorescenceSpearman ρ70.122.5778.14
Protein · Enzyme CommissionFmax68.6519.7972.70
Protein · SolubilityAcc67.2663.0267.60
Cross-modal · RPI (RNA–protein)MCC76.4974.2658.51
Cross-modal · AAN (antibody–antigen)MCC42.961.0644.76
Cross-modal · EPI (enhancer–promoter)MCC-0.033.37-1.30

Aggregate over 20 biological-understanding benchmarks: 神珍 matches or beats the ~1T Intern-S1-Pro on 10/20 and the same-scale 8B text-token baseline on 16/20.

Molecule understanding (SMolInstruct)

TaskMetric神珍 (~11B)LlaSMol
BBBPAcc96.9574.60
HIVAcc97.0096.70
SIDERAcc71.0070.70
ClinToxAcc92.3693.10
ESOLRMSE ↓0.5501.150
LipophilicityRMSE ↓0.6281.010

Earth-science forecasting — vs ECMWF HRES (day-10, global ERA5 0.25°)

VariableMetric神珍 (~11B)ECMWF HRES (NWP)
Z500RMSE ↓≈680≈800
T2MRMSE ↓ (K)≈2.5≈2.9
MSLRMSE ↓ (Pa)≈625≈740

神珍 tracks or beats the operational physics-based HRES system, with the advantage growing at longer lead times.

Medical-image segmentation

Mean Dice (%) on the BiomedParse test splits, 102,855 image–prompt pairs across nine imaging modalities, versus six modality-native segmentation specialists.

Modality# Samples神珍BiomedParseMedSAMSAMSAM3DINO+MedSAMDINO+SAM
All102,85591.2090.7383.5571.2935.4015.3715.10
CT45,30693.3692.2583.8774.1028.939.5910.34
MRI30,99085.2985.2575.9068.3453.6413.2812.39
OCT28385.3186.6356.2655.998.696.686.98
X-ray13,84098.0298.2897.7581.3539.9637.2230.63
Dermoscopy6598.0897.1197.3588.2351.4781.2878.29
Endoscopy41097.3996.7797.0592.8838.8225.0124.54
Fundus80091.3391.5088.0657.1618.583.192.73
Pathology97787.2981.5743.4442.0626.0825.3824.69
Ultrasound10,18490.5491.0389.7657.475.2317.1222.91

Best overall Dice (All), and best on CT, MRI, pathology, dermoscopy, and endoscopy; on X-ray, Fundus, and Ultrasound the gap to BiomedParse is ≤ 0.5 Dice, and on the smallest split (OCT) it is 1.3.

Usage

Runs via the accompanying code repository (custom multimodal architecture).

git clone https://github.com/Shanghai-Academy-of-AI-For-Science/MKB && cd MKB
pip install -r requirements.txt          # Python 3.10; transformers==5.0.0
hf download sais-org/MKB --local-dir ./model

export PYTHONPATH=$PWD/code
python code/inference.py --model_path model --greedy --max_new_tokens 64 \
  --rna "GGATGCGATCATGTCTGCACTAACACACCGGATCCCATCAGAACTCCGAAGTTAAGCGTGCTTGGGCGGGAGTAGTACTAGGATGGGCGACCCCTTAGGAAGTACTCGTGTTGCATCCC" \
  --system "You are a non-coding RNA family classifier. Output only the family name, no other text." \
  --prompt $'<rna>\nWhich family does this non-coding RNA sequence belong to?'

All weights are contained in model.safetensors: the scientific encoders/decoders (ESM-2, the Suiren molecular graph encoder, the RNA/DNA ConvFormers, the Swin-ViT weather tower) and the fine-tuned SAM 3 branch used for medical-image segmentation.

Each task has a specific --system prompt that fixes the output format; see run_examples.sh in the repository for per-task examples, weather, and segmentation.

License

Composite license. 神珍's own components — the code, and all weights except the SAM 3 branch — are Apache-2.0, built on Qwen3-VL (Apache-2.0) and including merged ESM-2 (MIT) and Polaris/Suiren-derived encoders.

The medical-image segmentation branch embeds SAM 3 weights, which are governed by Meta's SAM License (SAM_LICENSE.txt, shipped alongside these weights). SAM 3 use is subject to that license, including its acceptable-use restrictions (no military / weapons / illegal uses; Trade-Control compliance). See THIRD_PARTY_LICENSES.md / NOTICE for the full third-party breakdown.

Citation

@misc{chen2026monkeykingbangunified,
  title         = {Monkey King Bang: A Unified Scientific Multimodal Foundation Model},
  author        = {Hesen Chen and Xinyu Su and Xiaomeng Yang and Yuetan Lin and Zixiong Yang and Junyi An and Fenglei Cao and Yifeng Jiao and Yunqi Zhang and Yuan Cheng and Zhiyu Tan and Hao Li and Libo Wu and Yuan Qi},
  year          = {2026},
  eprint        = {2607.20557},
  archivePrefix = {arXiv},
  primaryClass  = {cs.LG},
  url           = {https://arxiv.org/abs/2607.20557}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
658926b

0 моделей