Teemme yhteistyötä @InSilicoMed:n kanssa luodaksemme kevyitä tieteellisiä perustamalleja lääketutkimukselle. Yhdessä rakennamme sarjaa nestemäisiä perustusmalleja, joilla on huipputason suorituskyky useilla lääkeaineiden löytämisen osa-alueilla. 💊 Tavoitteenamme on laajentaa lääketutkimuksen rajoja yksikäyttöisistä, erikoistuneista malleista kohti perustavanlaatuisia yleismalleja, jotka ovat hyödyllisiä ja kykeneviä vastaanottamaan omia molekyylejä, testejä ja kohdetietoja kokonaan paikallisissa yksityisissä instansseissa. Ensimmäinen malli on LFM2-2.6B-MMAI, pieni malli, joka saavuttaa pilvitason suorituskyvyn toimiessaan kokonaan yksityisellä infrastruktuurilla: > Molekyylioptimointi: MuMO-Instructin moniparametrisen optimoinnin onnistuminen jopa 98,8 %. > Affiniteettiennuste: Suoriutui paremmin kuin GPT-5.1, Claude Opus 4.5 ja Grok-4.1 Insilicon 2,5M / 689 target benchmarkissa. > Kemiallinen päättely: Vahva funktionaalinen ryhmäpäättely (FGBench) ja kiinteä yhden askeleen retrosynteesi (ChemCensor). Yhdistämällä Liquid AI:n tehokkaan LFM-teknologian Insilicon MMAI Gymiin, kattavaan koulutusalustaan, jossa on yli 1 000 lääketason vertailua, havaitsemme, että paikan päällä tapahtuva käyttöönotto voi tuottaa kilpailukykyisiä tuloksia koko lääkeaineiden etsintätehtävien kirjossa, kaikki yhdessä järjestelmässä. Nämä kyvykkyydet avaavat välittömästi hyödyllisiä sovelluksia lääkeyrityksille, erityisesti korkean taajuuden ADMET-seulonnassa, lääkekemiaan liittyvässä lyijyoptimoinnissa ja retrosynteesin toteutettavuusarvioinnissa, jotka estävät hukkaan menneen kokeellisen työn.

Lue kumppanuusilmoitus: Lue tekninen raportti: Hanki malli jo tänään: Katso @InSilicoMeds toimitusjohtaja ja perustaja @biogerontology sekä @liquidai toimitusjohtaja ja perustaja @ramin_m_h lääkekehityksestä.