Vi samarbeider med @InSilicoMed for å lage lette vitenskapelige grunnmodeller for farmasøytisk forskning. Sammen bygger vi en serie flytende foundation-modeller med topp moderne ytelse på tvers av flere subdomener innen legemiddelutvikling. 💊 Målet vårt er å flytte grensen for legemiddelutvikling utover enkeltbruks, spesialiserte modeller og mot grunnleggende generalistiske modeller som er nyttige og i stand til å ta inn proprietære molekyler, analyser og måldata utelukkende innenfor lokale private instanser. Den første modellen i rekken er LFM2-2.6B-MMAI, en liten modell som oppnår skybasert ytelse samtidig som den opererer helt på privat infrastruktur: > Molekylær optimalisering: Opptil 98,8 % suksess på MuMO-Instruct multiparameteroptimalisering. > Affinitetsprediksjon: Slo GPT-5.1, Claude Opus 4.5 og Grok-4.1 på Insilicos 2,5M / 689-mål. > Kjemisk resonnement: Sterk funksjonell-gruppe-resonnement (FGBench) og solid ett-trinns retrosyntese (ChemCensor). Ved å kombinere Liquid AIs effektive LFM-teknologi med Insilicos MMAI Gym, en omfattende treningsplattform med over 1 000 farmasøytiske referanser, observerer vi at lokal implementering kan gi konkurransedyktige resultater på tvers av hele spekteret av legemiddeloppdagelsesoppgaver, alt i ett system. Disse mulighetene åpner umiddelbart nyttige anvendelser for legemiddelselskaper, spesielt innen høyfrekvent ADMET-screening, blyoptimalisering knyttet til medisinsk kjemi, og retrosyntesevurdering av muligheter som forhindrer bortkastet eksperimentelt arbeid.

Les partnerskapsannonsen: Les den tekniske rapporten: Få modellen i dag: Se @InSilicoMeds administrerende direktør og medgründer @biogerontology og @liquidai CEO og medgründer @ramin_m_h om legemiddelutvikling.