Der jüngste Erfolg großer Foundation-Modelle im Bereich künstlicher Intelligenz hat die Entwicklung chemischer Vortrainierungsmodelle befördert. Trotz des wachsenden Interesses an großen molekularen Vortrainierungsmodellen, die informative Darstellungen für nachgeschaltete Aufgaben bereitstellen, blieben Versuche zu multimodalen Vortrainierungsansätzen im Molekülbereich bisher begrenzt. Um dieses Defizit zu beheben, präsentieren wir ein neuartiges multimodales molekulares Vortrainierungsmodell, das die Modalitäten Struktur und biochemische Eigenschaften integriert und sich an den jüngsten Fortschritten im Bereich multimodaler Lernverfahren orientiert. Unser vorgeschlagener Modellpipeline zur Datenverarbeitung und Trainingsziele aligniert die Struktur- und Eigenschaftsmerkmale in einem gemeinsamen Embedding-Raum, wodurch das Modell bidirektionale Informationen zwischen der Molekülstruktur und ihren Eigenschaften erfassen kann. Diese Synergie ermöglicht es, sowohl multimodale als auch unimodale nachgeschaltete Aufgaben mit einem einzigen Modell zu bewältigen. Durch umfangreiche Experimente zeigen wir, dass unser Modell bemerkenswerte Fähigkeiten zur Lösung verschiedener bedeutungsvoller chemischer Herausforderungen besitzt, darunter bedingte Molekülgenerierung, Eigenschaftsvorhersage, Molekülklassifikation und Reaktionsvorhersage.