模型与 Benchmark板块首页
总览
AI for Bio benchmark 总览模型 × benchmark 配对矩阵训练数据从哪来:公开库、私有授权、自产 wet lab 与…模型索引:112 个模型按领域分组44 个 benchmark 的规模、更新与 wet la…
Benchmark 档案:核心 30 项
01 CASP02 ProteinGym03 MoleculeNet04 TDC05 PoseBusters06 CASF-201607 USPTO family08 Basenji/Enformer test set09 scIB10 GuacaMol11 ClinVar hold-out protocol12 DUD-E / LIT-PCBA13 CAGI14 PubMedQA15 CAMEO16 GUE + Nucleotide Transform…17 CAFA18 LAB-Bench / LABBench219 PMO20 CACHE21 DREAM5 / BEELINE / CausalB…22 CAPRI23 BioASQ24 虚拟细胞挑战赛与扰动预测评测25 RNA-Puzzles26 FLIP / FLIP227 Polaris / ASAP / OpenADMET28 Adaptyv competitions / Ben…29 BixBench30 PLINDER / PINDER / Runs N'…
Benchmark 档案:补充 14 项
31 FoldBench32 CrossDocked202033 PoseX34 AbBiBench35 FLAb / FLAb236 AIntibody37 TraitGym38 BEND39 RNAGym40 MotifBench41 BioML-bench42 BioMysteryBench43 Ginkgo GDPa144 FS-Mol
模型:结构/共折叠
AF2-Multimer:Google DeepMindAlphaFold 3BioEmu-2Boltz-1 / Boltz-1xBoltz-2:MIT、Recursion、Boltz P…Chai-1:Chai DiscoveryChai-2:Chai DiscoveryDiffDock:MIT CSAILESMFold2HelixFold-S1:BaiduIntelliFold-2:IntelliGen AIIsoDDE:Isomorphic LabsMassiveFoldNeuralPLexer3OpenComplex2OpenDDE:Aureka AI Research、Au…OpenFold3Pearl:Genesis Molecular AIProtenixRF3:University of Washington …RhoFold+ / DRfold2 / trRosett…RNAPro:NVIDIA、Stanford Univer…SeedFold:ByteDance SeedVina:Scripps Research
模型:小分子
ADMET-AIAQAffinity:SandboxAQBeacon:Inductive BioChemformer:AstraZenecaChemprop v2:MITEnchant v1 / v2ether0:FutureHouseKERMT:Merck & Co.、NVIDIAMiniMol:Valence LabsMolE:RecursionMoLFormer-XL:IBM ResearchNesso-1:Valence Labs、Recursio…ReaSyn v2:NVIDIA、KAISTREINVENT 4RetroDFM-RSaturn:EPFLTamGen:Microsoft Research AI …TerraBind:Terray TherapeuticsTxGemma:Google DeepMind、Googl…Uni-Mol2Uni-Mol3
模型:蛋白
AlphaProteoAMPLIFY:Mila、Polytechnique Mo…BindCraftBoltzGenChai-3:Chai DiscoveryClaude 蛋白设计研究DPLM-2:ByteDance Research、Nan…Dyno Psi-1 / Psi-PhiESM C:Evolutionary Scale、Chan…ESM3:Evolutionary Scale、Chan …EVOLVEproLa-Proteina:NVIDIALatent-X / X2:Latent LabsLucaOne:Alibaba Cloud、Sun Yat…Mosaic:Escalante BioPinal:Westlake UniversityPoET-2:OpenProtein.AIProfluent-E1:ProfluentProGen3:ProfluentProSST:Shanghai Jiao Tong Uni…Proteina-Complexa:NVIDIARFdiffusion2 / 3SaProt:Westlake University、We…SeedProteo:ByteDance SeedVenusREMxTrimoPGLM
模型:抗体
GerminalHCAbLM:Nona Biosciences、HBM H…IgGM / IgGM-FMJAM / JAM-2:Nabla BioOrigin-1:AbsciRFantibodytFold:Tencent AI for Life Sci…
模型:基因组/RNA
AlphaGenome:Google DeepMindAlphaMissense:Google DeepMindBioReasonBorzoi:Calico Life SciencesBulkFormerEvo 2:Arc Institute、NVIDIA、St…NTv3:InstaDeeppopEVE:Harvard Medical School…RIBOSPAN
模型:单细胞
AIDO Cell:GenBio AIC2S-ScaleCellFM:Sun Yat-sen University…Lingshu-CellscGPT / GeneformerscPRINT-2Stack:Arc InstituteSTATE:Arc InstituteTahoe-x1:Tahoe TherapeuticsTranscriptFormerX-Cell:Xaira TherapeuticsxTrimoSCPerturb / scFoundation
模型:分子生成
GenMol:NVIDIA
模型:文本与 agent
Biomni:Stanford University、Ph…Co-ScientistGPT-Rosalind:OpenAIIntern-SKosmos / Edison AnalysisMedGemma / Med-GeminiQuine:Microsoft ResearchRobin:FutureHouseSciReasonerTxAgent:Harvard Medical SchoolVERID:Google Research前沿通用大模型:Anthropic、OpenAI、Goog…

KERMT:Merck & Co. (modeling and informatics)、NVIDIA (BioNeMo team)

整理 2026-11-16 · 来源与可靠度标注见正文
本文目录
  1. 概况
  2. 做什么
  3. 报过的 benchmark
  4. 其他评测(不在 44 项内)
  5. 训练数据
  6. 湿实验验证
  7. 背景
  8. 怎么看
  9. 局限与注意
  10. 来源
  11. 更正记录

图 Transformer 化学预训练模型,多任务微调与加速,面向药企内部 ADMET 预测。

小分子 · 多类机构联合 · 美国 · 截至 2026-11-16

概况

字段 内容
名称 / 别名 KERMT;全称:Kinetic GROVER Multi-Task;别名:Contrastive KERMT、NV-KERMT-70M-v2
家族 家族条目:KERMT v1 †(未核实);Contrastive KERMT v2.0 。边界:v1 与对比学习版 v2.0 是两篇论文、两套权重,成绩不得互相代入
机构 Merck & Co. (modeling and informatics)、NVIDIA (BioNeMo team)
机构类型 / 国家 多类机构联合 / 美国
模型类别 性质预测(图 Transformer 预训练 + 多任务微调)
领域 小分子
首次发布 †(未核实)(依据:首篇预印本(arXiv 2510.12719)) 该 arXiv 编号与日期沿用站上记录,本轮未重新取回元数据
其他里程碑 最早公开证据 †(未核实)(首篇预印本);预印本 v1 †(未核实)(首篇预印本);代码发布 (GitHub v1.0.1(v1.0.0 更早));权重发布 (v2 权重上传模型托管平台)
最近更新 ,新版本:对比学习版 v2.0:代码 v2.0.0 发布,v2 权重 2026-06-09 上传,并有对应预印本(2026-06-09);此后到 2026-09-15 的提交是文档与工具维护。此为最近一次有出处的事件,不代表此后没有更新
开放程度 代码:开放(Apache-2.0);权重:仅研究用途(NVIDIA Open Model License (v2.0 weights));代码开放;v2.0 权重在模型托管平台按开放模型许可提供,药企一侧页面未写许可
状态 活跃:12 个月内有新版本、新权重与新预印本
报过的 benchmark 0 项计入
湿实验验证 无
全站实体页 无(全站实体库未检出对应页面)
截至 2026-11-16

做什么

在一个第三方图 Transformer 化学预训练架构上改造:保留原子与键的消息传递加 Transformer,预训练用两个公开化合物库共千万量级分子,重点在多任务微调以及硬件侧的加速与显存优化。定位是药企内部 ADMET 生产模型:对照 Chemprop 的多任务版,并与 MiniMol、MolE 同属预训练 ADMET 路线。

报过的 benchmark

按关系类型排列;每行标来源类型与出处。分数只在同一 benchmark、同一口径内有意义,见各 benchmark 页的当前排名。0 项计入。

在本站 44 个 benchmark 上没有任何配对记录;它怎么自评见下一节。

其他评测(不在 44 项内)

  • 药企内部 ADMET 端点组(时间切分)(自建任务集,自报):30 个端点、约 80 万化合物的时间切分评测,与多任务图网络及另一预训练模型对比;数据不公开,外部无法复现
  • 自建公开文献 ADMET 集与第三方公开集(自建任务集,自报):25 个公开端点与一个 6 端点公开集;同一论文中这两处的排序与内部集相反,优劣随设置变化
  • 相似度分桶泛化分析(仅与基线对比,自报):按化学相似度分桶比较,作者称各桶均优于多任务图网络基线,全部为自报

开发方称:多任务微调显著优于未预训练的图网络基线,数据量越大优势越明显,并提供加速实现。

独立证据:未检出独立证据(无公开 benchmark 配对,也未检出第三方评测;关键结果依赖不公开的企业内部数据)

训练数据

类别 值 说明 出处
a 公开库 是 25 个公开 ADMET 端点共 114,112 个化合物,另一公开集 6 端点 3,521 个化合物;预训练用两个公开库共 1,100 万个化合物 出处
b 私有 / 授权 是 药企内部 ADMET 数据:30 个端点、800,733 个化合物,测至 2024 年,不公开 出处
c 自产 wet lab 训练数据 否 内部数据属企业历史测定,不是为本模型新产 出处
d 仅用于验证的 wet lab 否 — —

湿实验验证

无。开发方未报告湿实验验证,或本站未收录可核的记录。

背景

  • 机构:一家美国大型制药公司的建模与信息学部门与一家 GPU 公司的生物模型团队合著;算力与资金来自两家公司的内部研发预算,模型也上线该 GPU 公司的开放模型目录。
  • 融资:未披露
  • 产品与合作:架构来自一家中国互联网公司实验室的开源图 Transformer 预训练模型;代码在该 GPU 公司的数字生物 GitHub 组织下开源,药企一侧有企业故事页介绍(2026-03-19)。
  • 相关模型:Chemprop v2、MiniMol、MolE、GenMol

怎么看

  1. 最有信息量的结果来自企业内部数据集,但数据不公开,外部无法复现或核对。
  2. 没有任何站内公开 benchmark 成绩,不能与 ADMET-AI、MiniMol 直接比。
  3. 「优于图网络基线」只在多任务设置与内部 assay 上成立:同一论文的公开集与第三方集上排序相反,全部为自报。
  4. TDC 配对不成立:论文全文未出现该 benchmark。

局限与注意

  1. 零配对:无任何站内公开 benchmark 成绩。
  2. 关键对照依赖不公开的药企内部数据。
  3. v1 与对比学习版 v2.0 是两套权重,成绩不可互相代入。
  4. 首发日期沿用站上记录,本轮未重新取回元数据。

来源

  1. 首篇预印本(预印本)
  2. 首篇预印本全文(预印本)
  3. 对比学习版预印本(预印本)
  4. 代码发布列表(仓库)
  5. v2 权重页(包仓库)

更正记录

以下为本轮核对中改过的字段,原值按记录照录。

字段 原 现 原因 出处 发现日期
benchmarks_reported 候选配对 TDC 非配对:论文全文未出现该 benchmark,实际基准为内部集与两个公开集 — 依据 2026-11-16
latest_update 2025-10 预印本 2026-06-10 对比学习版 v2.0(代码、权重与新预印本) — 依据 2026-11-16

本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。