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…

Uni-Mol3:DP Technology、Peking University

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

多分子反应基础模型,覆盖产物预测、逆合成、反应条件与产率。

小分子 · 平台公司 · 中国 · 截至 2026-11-16

概况

字段 内容
名称 / 别名 Uni-Mol3;有歧义、不自动链接:Uni-Mol
家族 否(系列各代各有记录;无数字的「Uni-Mol」是歧义名,不自动链接)
机构 DP Technology、Peking University
机构类型 / 国家 平台公司 / 中国
模型类别 反应模型 / 逆合成(多分子基础模型)
领域 小分子(次领域:分子生成)
首次发布 (依据:arXiv 2508.00920 v1 提交(v2 为 2025-08-12))
其他里程碑 最早公开证据 †(未核实)(代码仓库初始提交(v1.0),早于论文 v1);预印本 v1 (arXiv v1);代码发布 †(未核实)(仓库初始代码 v1.0);权重发布 †(未核实)(仓库提交加入权重下载链接)
最近更新 †(未核实),代码发布:仓库提交加入预训练与微调权重的下载链接;初始代码为 2025-07-18(v1.0)。未检出期刊版本。这是最近一次有出处的事件(事件性质由提交信息推断)。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(MIT);权重:开放(MIT (per repository));代码与权重按仓库 MIT 开放;授权专利反应数据集不可再分发,仓库只给预处理脚本
状态 活跃:12 个月内有仓库实质提交
报过的 benchmark 1 项计入(自报 1)
湿实验验证 无
全站实体页 无(全站实体库有开发方公司页,但无该模型的实体页)
截至 2026-11-16

做什么

把分子与反应当作多分子体系,先做分子预训练再做大规模反应预训练,下游统一覆盖正向产物预测、逆合成、反应条件推荐与产率预测。与 RetroDFM-R 的推理式逆合成不同,它走的是分子表示预训练加反应微调;逆合成任务上以 Chemformer 等序列模型为主要对照,同门前作为 Uni-Mol2。

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。1 项计入(自报 1)。

Benchmark 关系类型 计入 评测集 / 口径 来源类型 说明 出处
07 USPTO family (+PaRoutes) 开发方按官方口径自报 是 — 自报 三个官方子集:产物预测、逆合成与反应条件,均为开发方自报;同表列出的对照数字出自作者自己的运行 出处

其他评测(不在 44 项内)

  • 授权库自带的逆合成测试集(自建任务集,自报):在授权专利反应库的测试划分上自报逆合成结果;外部无法取得该数据,不可复现
  • 反应条件与产率任务(自建任务集,自报):多任务统一的自建评测,覆盖条件推荐与产率预测

开发方称:一个模型统一产物预测、逆合成、条件与产率四类反应任务,靠分子预训练加大规模反应预训练取得全面可用的表现。

独立证据:未检出独立证据(未检出第三方对该模型在站内 benchmark 上的评测)

训练数据

类别 值 说明 出处
a 公开库 是 分子预训练约 1,900 万分子(取自公开化合物与活性库,论文对来源的描述自相矛盾) 出处
b 私有 / 授权 是 一家商业供应商授权的专利反应库,原约 1,667 万条、清洗后 11,973,789 条,按授权不可再分发 出处
c 自产 wet lab 训练数据 否 — —
d 仅用于验证的 wet lab 否 论文无湿实验验证 出处

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:开发方是 2018 年成立于北京的 AI for Science 平台公司,业务覆盖药物设计、材料与电池研发;合作方为一所中国大学的数学与机器学习机构。公开材料没有可引用的员工数口径,不给数字。
  • 融资:2021-08 A 轮数千万美元;2022-01 B 轮数千万美元;2023-08 超 7 亿元人民币;2025-12-24 C 轮超 8 亿元人民币(约 1.1 亿美元),投资方含产业基金与地方基金。各媒体对中间两轮的轮次命名不一致,此处只记年份与金额。
  • 产品与合作:产品含科研云平台、药物设计平台、对接与自由能工具链;模型系列开源在公开仓库。本模型的反应预训练依赖商业授权数据,外部无法复现。
  • 相关模型:Uni-Mol2、Chemformer、RetroDFM-R

怎么看

  1. 逆合成一项的自报结果低于同表中的 Chemformer,说明卖点是多任务统一而非单项最高(本页不转录分数)。
  2. 反应预训练用的是商业授权库,外部无法复现,开放的只有代码与权重。
  3. USPTO 测试集存在模板泄漏问题,高分的含义有限。
  4. 最近更新的性质由提交信息推断,权重轴与代码轴应分开读。

局限与注意

  1. 全部 benchmark 结果为开发方自报,无榜单与第三方评测。
  2. 训练数据的公开部分来源描述在论文内自相矛盾。
  3. 授权反应库不可再分发,预训练不可复现。
  4. 权重链接事件与期刊状态均未核实。

来源

  1. 模型论文 arXiv 2508.00920(预印本)
  2. 论文 v2 全文(预印本)
  3. 代码与权重仓库(仓库)

更正记录

无。

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。