TxGemma API to zbiór modeli uczenia maszynowego typu open source, zaprojektowanych w celu generowania prognoz, klasyfikacji lub tekstów w oparciu o dane dotyczące terapii.
Funkcje TxGemma
TxGemma to zbiór modeli AI dostrojonych z architektury Gemma firmy Google, specjalnie dostosowanych do zastosowań terapeutycznych. Kluczowe funkcje obejmują:
- Specjalistyczne szkolenia:Modele TxGemma są trenowane na około 7 milionach przykładów istotnych dla zadań terapeutycznych, co pozwala im przewidywać właściwości jednostek terapeutycznych w całym procesie odkrywania leków.
- Warianty modeluPakiet składa się z modeli o różnych rozmiarach — 2 miliardy (2B), 9 miliardów (9B) i 27 miliardów (27B) parametrów — co pozwala na obsługę zróżnicowanych zasobów obliczeniowych i potrzeb aplikacji.
- Przewiduj i czatuj wersje:Każdy rozmiar modelu oferuje wersję „przewidującą” do konkretnych zadań, takich jak przewidywanie toksyczności, oraz wersję „czatową” do analizy danych konwersacyjnych, co ułatwia złożone zapytania i dyskusje wieloetapowe.
Metryki wydajności TxGemma
Wydajność tych modeli została rygorystycznie oceniona w różnych zadaniach terapeutycznych:
- BenchmarkingWersja prognozująca 27B wykazuje wyższą wydajność, przewyższając lub dorównując poprzednim najnowocześniejszym modelom w przypadku 64 z 66 zadań oraz przewyższając wyspecjalizowane modele w przypadku 26 zadań.
- Wszechstronność zadań:Jest doskonały w klasyfikacji (np. przewidywaniu przepuszczalności bariery krew-mózg), regresji (np. szacowaniu powinowactwa wiązania leku) i zadaniach generacyjnych (np. wnioskowaniu o zestawach odczynników na podstawie produktów reakcji).
Specyfikacja techniczna
Architektura i metodologie szkoleniowe są kluczowe dla jego możliwości:
- Model podstawy:Zbudowany na architekturze Gemma firmy Google, TxGemma wykorzystuje modele transformatorów wyłącznie dekoderowych, zoptymalizowane pod kątem zadań generowania tekstu.
- Dane treningoweModele te są udoskonalane przy użyciu zróżnicowanego zbioru danych obejmującego 7 milionów przykładów terapeutycznych, co zwiększa ich dokładność predykcyjną w kontekście rozwoju leków.
- Wydajność obliczeniowaModele TxGemma zostały zaprojektowane tak, aby zrównoważyć wydajność z wymaganiami obliczeniowymi, dlatego mogą z nich korzystać badacze dysponujący różnymi zasobami.
Ewolucja od Tx-LLM do TxGemma
Modele te stanowią ewolucję swojego poprzednika, Tx-LLM:
- Ulepszona dostępność:Podczas gdy Tx-LLM cieszył się dużym zainteresowaniem, TxGemma oferuje otwarte modele w praktycznej skali, ułatwiając szersze przyjęcie i dostosowanie.
- Lepsza wydajność:Modele TxGemma wykazują ulepszone możliwości predykcyjne, dorównując specjalistycznym modelom w przypadku wielu zadań terapeutycznych.
Zalety TxGemma
Wdrożenie tych modeli w rozwoju terapeutycznym niesie ze sobą szereg korzyści:
- Przyspieszone odkrywanie leków:Dzięki dokładnemu przewidywaniu właściwości substancji terapeutycznych TxGemma może skrócić czas i obniżyć koszty wprowadzania nowych terapii na rynek.
- Dostępność Open Source:Jako otwarte modele, TxGemma pozwala badaczom na dostrajanie i dostosowywanie modeli do konkretnych zestawów danych i zadań, co sprzyja innowacyjności i współpracy.
- WszechstronnośćDostępność modeli w różnych rozmiarach i wersjach umożliwia ich zastosowanie w szerokim spektrum zadań, od analizy predykcyjnej po analizę danych konwersacyjnych.
Wskaźniki techniczne
Wydajność techniczną obrazują następujące wskaźniki:
- Wydajność parametru:Mimo różnic w rozmiarze, wszystkie modele TxGemma zachowują równowagę pomiędzy złożonością i wydajnością obliczeniową, zapewniając dostępność dla użytkowników o różnych zasobach.
- Strojenie instrukcjiWersje „czatowe” zawierają ogólne dane dotyczące dostrajania instrukcji, co pozwala im wyjaśniać rozumowanie i brać udział w złożonych dyskusjach, zwiększając w ten sposób możliwość interpretacji.
Scenariusze aplikacji
Wszechstronność pozwala na zastosowanie na różnych etapach rozwoju terapeutycznego:
- Identyfikacja celu:Pomoc w określaniu obiecujących celów biologicznych dla nowych terapii.
- Przewidywanie właściwości leków:Ocena potencjalnego bezpieczeństwa, skuteczności i biodostępności kandydatów na leki.
- Prognozowanie wyników badań klinicznych:Przewidywanie potencjalnych wyników badań klinicznych, pomoc w lepszym projektowaniu badań i alokacji zasobów.
Wskazówki dotyczące użytkowania
Aby zmaksymalizować korzyści:
- Strojenie: Wykorzystaj dostarczony notatnik Colab do precyzyjnego dostrojenia modeli TxGemma przy użyciu zastrzeżonych danych, zwiększając dokładność predykcji dla określonych zastosowań.
- Integracja z systemami agentowymi:Włącz TxGemma do systemów agentowych, takich jak Agentic-Tx, aby rozwiązywać złożone, wieloetapowe problemy badawcze, wykorzystując jego możliwości wnioskowania wraz z innymi narzędziami.
- Optymalne parametry próbkowania:Podczas generowania tekstu należy odpowiednio skonfigurować parametry próbkowania (np. temperatura: 1.0, top-k: 64, top-p: 0.95).
Zobacz także Grok 3 API
Podsumowanie
Google AI wydało te modele z zamiarem ulepszenia naszego świata i zwiększenia wydajności. Są czymś więcej niż tylko narzędziami; pomagają promować rozwój w różnych branżach, językach i etyce.
Sztuczna inteligencja otwiera drzwi do nowych horyzontów. Jednak podejmując decyzje związane z takimi technologiami, zawsze powinniśmy przede wszystkim szukać bezpieczeństwa. Korzystanie z zalet Google AI pomoże nam odpowiedzialnie budować wszystkie projekty AI.
Jak wywołać API TxGemma z CometAPI
1.Zaloguj Się do pl.com. Jeżeli jeszcze nie jesteś naszym użytkownikiem, najpierw się zarejestruj.
2.Uzyskaj klucz API danych uwierzytelniających dostęp interfejsu. Kliknij „Dodaj token” przy tokenie API w centrum osobistym, pobierz klucz tokena: sk-xxxxx i prześlij.
-
Uzyskaj adres URL tej witryny: https://api.cometapi.com/
-
Wybierz TxGemma, aby wysłać żądanie API i ustawić treść żądania. Metoda żądania i treść żądania są uzyskiwane z dokumentacja API naszej witryny internetowej. Nasza strona internetowa udostępnia również test Apifox dla Twojej wygody.
-
Przetwórz odpowiedź API, aby uzyskać wygenerowaną odpowiedź. Po wysłaniu żądania API otrzymasz obiekt JSON zawierający wygenerowane uzupełnienie.