MMAI Gym for Science：用于药物发现训练液态基础模型
机器学习
2026-03-05 v1 人工智能
计算与语言
摘要
依赖于基于情境学习的通用大型语言模型（LLM）无法可靠地提供药物发现任务所需的科学理解与性能。仅增加模型规模或引入推理标记并不会带来显著的性能提升。为弥合这一差距，我们介绍了 MMAI Gym for Science，一个面向分子数据格式与模态，以及任务特定推理、训练与基准测试配方的“一站式”平台，旨在教导基础模型掌握“分子语言”，以解决实际的药物发现问题。我们利用 MMAI Gym 训练了一个高效的液态基础模型（Liquid Foundation Model, LFM），展示了 smaller、以特定任务为导向的基础模型在分子基准测试中能够超越规模更大的通用或专家模型。在包括分子优化、ADMET 属性预测、反向合成、药物-靶点活性预测和功能基团推理等关键药物发现任务方面，所得模型实现了接近专家水平的性能，并在大多数情境下超越更大规模的模型，同时在该领域保持更高的效率和更广的适用性。
引用
@article{arxiv.2603.03517,
title = {MMAI Gym for Science: Training Liquid Foundation Models for Drug Discovery},
author = {Maksim Kuznetsov and Zulfat Miftahutdinov and Rim Shayakhmetov and Mikolaj Mizera and Roman Schutski and Bogdan Zagribelnyy and Ivan Ilin and Nikita Bondarev and Thomas MacDougall and Mathieu Reymond and Mihir Bafna and Kaeli Kaymak-Loveless and Eugene Babin and Maxim Malkov and Mathias Lechner and Ramin Hasani and Alexander Amini and Vladimir Aladinskiy and Alex Aliper and Alex Zhavoronkov},
journal= {arXiv preprint arXiv:2603.03517},
year = {2026}
}