We werken samen met @InSilicoMed om lichte wetenschappelijke fundamentmodellen te creëren voor farmacologisch onderzoek. Samen bouwen we een reeks vloeibare fundamentmodellen met state-of-the-art prestaties in meerdere subdomeinen van medicijnontdekking. 💊 Ons doel is om de grenzen van medicijnontdekking te verleggen, voorbij enkeldoelgerichte, gespecialiseerde modellen en richting fundamentele generalistische modellen die nuttig zijn en in staat zijn om eigendoms-moleculen, assays en doelgegevens volledig binnen lokale privé-instanties te verwerken. Het eerste model in de rij is LFM2-2.6B-MMAI, een klein model dat cloud-schaalprestaties behaalt terwijl het volledig op privé-infrastructuur draait: > Moleculaire optimalisatie: Tot 98,8% succes op MuMO-Instruct multi-parameter optimalisatie. > Affiniteitsvoorspelling: Overtrof GPT-5.1, Claude Opus 4.5 en Grok-4.1 op Insilico’s 2,5M / 689-doel benchmark. > Chemische redenering: Sterke functionele-groep redenering (FGBench) en solide 1-staps retrosynthese (ChemCensor). Door de efficiënte LFM-technologie van Liquid AI te combineren met Insilico’s MMAI Gym, een uitgebreid trainingsplatform met meer dan 1.000 farmacologische benchmarks, zien we dat on-premise implementatie concurrerende resultaten kan opleveren over het volledige spectrum van medicijnontdekkingstaken, allemaal in één systeem. Deze mogelijkheden ontgrendelen onmiddellijk nuttige toepassingen voor farmaceutische bedrijven, met name in hoge frequentie ADMET-screening, medicinale chemie-georiënteerde leadoptimalisatie en haalbaarheidsbeoordeling van retrosynthese die verspilde experimentele inspanningen voorkomt.

Lees de aankondiging van het partnerschap: Lees het technische rapport: Krijg het model vandaag: Zie @InSilicoMeds CEO en medeoprichter @biogerontology en @liquidai CEO en medeoprichter @ramin_m_h over medicijnontdekking.