modules

modules 提供了一系列预定义模块，供用户实现自己的架构。

MultiMolecule 建立在 生态系统之上，拥抱类似的设计理念：不要 重复自己。 我们遵循 单一模型文件策略，其中 models 包中的每个模型都包含一个且仅有一个描述网络设计的 modeling.py 文件。

modules 包旨在提供简单、可重用的模块，这些模块在多个模型中保持一致。这种方法最大程度地减少了代码重复，并促进了干净、易于维护的代码。

核心特性

• 可重用性：modules 包括一些在不同模型中常用的组件，例如 SequencePredictionHead。这减少了冗余，并简化了开发过程。
• 一致性：通过集中常见模块，我们确保更新和改进在所有模型中一致应用，提高了可靠性和性能。
• 灵活性：虽然变换网络编码器等模块被广泛使用，但它们在实现细节上经常有所不同（例如，前-归一化 vs. 后-归一化，不同的残差连接策略）。modules 包专注于更简单的组件，将复杂的、特定于模型的变化留给每个模型的 modeling.py 中定义。

Modules

• heads: 包括多种预测头，比如SequencePredictionHead、TokenPredictionHead和ContactPredictionHead。
• embeddings：包括多种位置编码，比如SinusoidalEmbedding和 RotaryEmbedding。
• model：Runner 所使用的模型层 —— 抽象基类 ModelBase 加上两个具体实现：MonoModel（围绕 Hugging Face AutoModelFor* 的单任务包装）与 PolyModel（backbone、可选 neck 与每任务一个 head 的组合模型）。

Models

modules 暴露了一个由 runner 包消费的小型模型层：

• ModelBase：抽象基类。定义所有 multimolecule 模型必须实现的 forward 与 trainable_parameters 契约；runner 通过 isinstance(model, ModelBase) 而非具体子类来辨别模型。
• MonoModel：围绕 multimolecule（或 Hugging Face）AutoModelFor* 预测模型的单任务包装。在 state_dict 层面对包装本身保持透明，因此 checkpoint 与裸 HF 模型可以互相加载。
• PolyModel：将 backbone、可选 neck 与每任务一个 head 组合为单个可训练模块。当任务图涉及多个标签、额外的非序列特征或 neck 变换时使用。

两者都以 "mono" 与 "poly" 注册到 [MODELS][multimolecule.MODELS]。 默认的 network.type: auto 会根据解析后的网络结构在二者之间自动分发； 用户也可以显式设置 network.type: mono 或 network.type: poly 以绕过分发器。