Vi samarbetar med @InSilicoMed för att skapa lättviktiga vetenskapliga grundmodeller för farmaceutisk forskning. Tillsammans bygger vi en serie flytande foundationmodeller med toppmodern prestanda över flera subdomäner för läkemedelsupptäckt. 💊 Vårt mål är att driva gränsen för läkemedelsupptäckt bortom enkeländamålsmodeller, specialiserade modeller och mot grundläggande generalistiska modeller som är användbara och kapabla att helt och hållet ta emot proprietära molekyler, analyser och måldata inom lokala privata instanser. Den första modellen i raden är LFM2-2.6B-MMAI, en liten modell som uppnår molnprestanda samtidigt som den körs helt på privat infrastruktur: > Molekylär optimering: Upp till 98,8 % framgång med MuMO-Instruct multiparameteroptimering. > Affinitetsprognos: Överträffade GPT-5.1, Claude Opus 4.5 och Grok-4.1 på Insilicos 2,5M / 689-mål. > Kemisk resonemang: Stark funktionell grupp-resonemang (FGBench) och solid ettstegsretrosyntes (ChemCensor). Genom att kombinera Liquid AI:s effektiva LFM-teknik med Insilicos MMAI Gym, en omfattande utbildningsplattform med över 1 000 läkemedelsbenchmarks, ser vi att lokal implementering kan ge konkurrenskraftiga resultat över hela spektrumet av läkemedelsupptäcktsuppgifter, allt i ett enda system. Dessa möjligheter öppnar omedelbart användbara tillämpningar för läkemedelsföretag, särskilt inom högfrekvent ADMET-screening, blyoptimering kopplad till läkemedelskemi och retrosyntes genomförbarhetsbedömning som förhindrar bortslösat experimentellt arbete.

Läs partnerskapsmeddelandet: Läs den tekniska rapporten: Skaffa modellen idag: Se @InSilicoMeds VD och medgrundare @biogerontology samt @liquidai VD och medgrundare @ramin_m_h om läkemedelsupptäckt.