К содержимому
Другое

BindGPT Pretrained

генерация 3D-молекул через языковую модель

2 мин чтенияобновлено

Предобученная модель для проектирования лекарств от команды Insilico Medicine, которая решает задачи трёхмерного молекулярного дизайна как обычную генерацию текста. На входе она принимает специальные токены или формулу молекулы в формате SMILES (текстовая запись структуры), а на выходе выдаёт готовую молекулу вместе с трёхмерными координатами атомов. В отличие от узкоспециализированных моделей прошлого поколения, единая архитектура умеет переносить знания между задачами и работает в 100 раз быстрее за счёт оптимизаций инференса трансформеров. Пригодится биоинформатикам, хемоинформатикам и исследователям в области drug discovery.

Ключевые особенности

  • Универсальный подход: объединяет генерацию 3D-молекул с нуля, генерацию конформеров (пространственных форм молекулы) и генерацию под карман белка в рамках одной LM (языковой модели).
  • Высокая скорость работы: быстрый инференс трансформеров ускоряет сэмплирование на два порядка (в 100 раз) по сравнению с предыдущими методами.
  • Zero-shot возможности: предобученная версия способна генерировать молекулы и конформеры без дополнительного дообучения в пределах распределения датасета Uni-Mol.
  • Стандартный стек: запускается напрямую через привычную библиотеку transformers и парсится в объекты молекул с помощью rdkit.

Что можно сделать

  • Сгенерировать новые 3D-молекулы: запустить безусловную генерацию с тега , чтобы получить набор случайных валидных молекул с 3D-координатами.
  • Подобрать пространственную структуру: передать известную SMILES-формулу с токеном и сгенерировать для неё набор трёхмерных конформеров.
  • Встроить в пайплайн разработки лекарств: использовать модель как быстрый генератор кандидатов для последующего отбора и дообучения с подкреплением (RL).

Пример

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("insilicomedicine/bindgpt_pretrained")
model = AutoModelForCausalLM.from_pretrained("insilicomedicine/bindgpt_pretrained").cuda()

start_tokens = tokenizer("", return_tensors="pt")
outputs = model.generate(input_ids=start_tokens['input_ids'][:, :-1].cuda(), do_sample=True, max_length=400)
print(tokenizer.batch_decode(outputs, skip_special_tokens=True))
ПодробнееОбучена на распределении датасета Uni-Mol; также существуют дообученные версии на GEOM-DRUGS и с RL на CrossDocked.
Для запуска примера требуются библиотеки transformers, tokenizers, rdkit, pytorch и GPU с поддержкой CUDA.
Для достижения заявленной 100-кратной скорости нужны flash-attention, mixed precision и батчинг из официального репозитория.
Ограничения: веса модели лицензированы исключительно для исследовательских (некоммерческих) целей.
Обсудить Telegram 0 41

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.4 GB · готовые файлы0.9 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # gmxn/bindgpt_pretrained
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download gmxn/bindgpt_pretrained --local-dir ~/models/bindgpt_pretrained
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к bindgpt_pretrained
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии bindgpt_pretrained — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

gmxn/bindgpt_pretrained
Автор
gmxn
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

410

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии