GP-MoLFormer是基于ZINC和PubChem中6.5亿至11亿分子SMILES字符串表示进行预训练的化学语言模型，专注于分子生成任务。

基于Transformer架构的编码器-解码器模型，专为使用SELFIES进行分子表征而设计

BARTSmiles是一个基于BART架构的生成式掩码语言模型，专门用于分子表征和SMILES字符串处理。

MoLFormer是基于ZINC和PubChem中11亿分子SMILES字符串预训练的化学语言模型，本版本使用两个数据集各10%样本训练

基于分子语言SELFIES构建的大型分子生成模型，可用于从头生成分子或补全部分分子结构。

这是一个在SMILES（简化分子线性输入系统）字符串上预训练的双向转换器模型，主要用于分子相关任务。

该模型使用WGAN-GP和R-GCN架构生成新型分子图结构，可加速药物发现过程。

ChemGPT是基于GPT-Neo模型的生成式分子建模工具，专注于化学领域的分子生成与研究。

该模型是基于PubChem数据库中1000万SMILES字符串进行预训练的化学信息学模型，主要用于分子表示学习和化学性质预测。

该模型是基于PubChem 77M数据集中的100万SMILES训练的RoBERTa模型，使用Smiles-Tokenizer工具进行分词，适用于分子表示学习和化学信息处理任务。