人工智能大模型基础模型深度学习生物信息学科研【免费下载链接】RFD4-Proteina项目地址https://ai.gitcode.com/hf_mirrors/nvidia/RFD4-Proteina点击查看免费下载RFD4-Proteína是由 Baker Lab华盛顿大学蛋白质设计研究所与 NVIDIA GenAIR 联合开发的生物分子设计模型基于 flow-matching流匹配技术能够同时生成蛋白质的序列和全原子结构。它的设计效率到底有多高这篇文章带你彻底解读官方基准数据把它与 BoltzGen、Proteina-Complexa、AlphaProtein-novo 等主流方法逐项对比。先搞懂RFD4-Proteína 是什么一句话概括序列与结构联合设计Sequence and structure, designed together。传统流程通常分两步——先设计骨架、再用 ProteinMPNN 之类的方法补序列信息容易丢失。RFD4-Proteína 用一个流模型 自编码器的匹配组合一步完成序列和坐标的联合生成支持的条件包括 蛋白-蛋白结合物如 PD-L1 结合蛋白 小分子口袋结合蛋白⚙️ 酶基序enzyme motif搭架 DNA 结合蛋白、抗体设计仓库根目录的 config.json 与 model.safetensors 是推荐的原生权重约 1.74 GBFP32共 435,622,465 参数flow_checkpoints/ 和 ae_checkpoints/ 则存放对应的 Lightning 格式 EMA 权重版本身份校验信息见 release-checkpoints.json。基准指标解读怎么衡量设计效率官方基准用的是一个对实际生产很友好的指标每个 GPU 小时平均每个靶点得到多少个结构上可区分的计算通过样本包含生成 通用 AF3 评估的时间数值越大越好。测量规则相当严格这也是结果可信的原因每个靶点固定200 次原始尝试不做失败重抽失败的尝试同样计入耗时——刷不了数据排除环境准备、编译、CPU 打分和空闲时间数值是靶点级速率的均值不是单次设计的延迟也不是池化总数方法细节各模型的完整配方、通过判据都写在 benchmarks/METHODS.md 中数据溯源见 benchmarks/provenance.json。核心对比四大任务基准数据一览RFD4 统一采用高算力档位high thinking对比的是各家族中最强的非 RFD4 方法任务靶点数RFD4-Proteínahigh thinking对比方法对比值效率倍数蛋白结合物2471.60Proteina-Complexa13.24≈5.4×小分子结合物77112.25BoltzGen15.48≈7.2×酶基序Atomic Motif Enzyme3791.18AlphaProtein-novo (Codesign)26.02≈3.5×DNA 结合物341.97BoltzGen固定 DNA9.46≈4.4×几个直观的读法小分子结合物是最大亮点112.25 意味着每 GPU 小时可产出超过百个可区分的有效设计比 BoltzGen 高出约 7 倍酶基序任务领先 AlphaProtein-novo 的 Codesign 分支约 3.5 倍蛋白结合物上优势约 5 倍且 RFD4 的搜索模式search通过率更高24.46% vs 19.15%只是搜索耗时大幅拉低了效率指标通过率细节三档思考强度怎么选RFD4 提供thinking_low / thinking_medium / thinking_high三档算力预设对应不同的主干回收深度分别为 120 / 180 / 300 次 trunk passes默认是 medium。以官方 benchmarks/summary.csv 中的原始通过率200 次尝试来看任务靶点数lowmediumhigh蛋白结合物2414.10%16.40%19.15%小分子结合物7720.92%25.19%27.82%酶基序3710.62%12.38%13.45%DNA 结合物31.33%2.00%2.33%实用建议medium 档在多数任务上能以更低的算力拿到接近 high 的通过率小分子任务中 medium 的 per-10-GPU-min 产出甚至略高于 high适合批量筛选对关键靶点再用 high 档精修。数据怎么用、怎么读4 个重要提醒在引用这些数字之前官方在 README.md 中给出了明确的边界说明务必注意数字基于上一代发布版本这批数据来自 2026 年 10 月 9 日冻结的项目基准旧版 checkpoint 对尚未在当前 2026-10-19 发布版上重新测量不应直接视为对新版本的描述条件设定不完全对等蛋白结合物任务中 RFD4 使用骨架条件backbone conditioning多个基线使用全原子条件DNA 任务中 RFD4 输入未固定而基线固定了 DNAProteina-Complexa 的小分子路线使用固定配体DNA 任务样本极少仅 3 个靶点41.97 的数值置信度有限计算通过 ≠ 实验活性这些是算法层面的结构判据如 AF3 pTM ≥80、接口 PAE ≤1.5 Å 等不保证湿实验效果数据文件去哪找所有基准材料都以明文形式随仓库提供可自行复核完整对比表benchmarks/summary.csv52 行汇总逐靶点源数据benchmarks/source_data.csv2488 行判据记录方法与通过判据benchmarks/METHODS.md数据溯源与 SHA-256benchmarks/provenance.json快速上手5 分钟跑通第一个设计如果只想看效果仓库自带多个示例输入标注好的 CIF 文件蛋白结合物examples/protein_binder/input.cif附示例输出 design.cif酶设计examples/enzyme_design/input.cif抗体设计examples/antibody_design/input.cif无条件单体仅 100 残基长度规格examples/monomer.cif在 GPU 环境下安装后一条命令即可生成rfd4-generate inputsexamples/protein_binder/input.cif \ hf_ckpt_pathnvidia/RFD4-Proteina \ num_replicates1 out_dir./runs/pdl1 ~metrics compile_lengthsnull生成结果在runs/pdl1/inference_samples/下runtime/ 目录还预置了 CUDA 12 / CUDA 13 / CPU 三种容器镜像免构建直接运行。总结结论说明效率领先明显四大任务全面领先最强基线 3.5×7.2×指标口径严格200 次固定尝试、失败计入耗时、靶点级均值注意版本边界数据基于上一代发布当前版本待重测算力可调节low/medium/high 三档medium 性价比突出RFD4-Proteína 展示的不仅是通过率更高更是在单位 GPU 时间上的数量级差距——这对需要大规模虚拟筛选的计算设计场景意义重大。 复现时请引用 README.md 给出的 BibTeX并记录确切的模型版本revisiona06e2509...、代码版本、随机种子与采样配置。赞分享人工智能大模型基础模型深度学习生物信息学科研【免费下载链接】RFD4-Proteina项目地址https://ai.gitcode.com/hf_mirrors/nvidia/RFD4-Proteina点击查看免费下载相关推荐Kimi-K2-Thinking-Pruning基准成绩深度解读HLE、BrowseComp、AIME上到底有多强Kimi K2 Thinking Pruning基准成绩深度解读HLE、BrowseComp、AIME上到底有多强 Kimi K2 Thinking Pru大模型推理模型模型量化性能到底有多强Hojo-ASR-Multi-V1多语言基准测试与13项WER成绩完整解读性能到底有多强Hojo ASR Multi V1多语言基准测试与13项WER成绩完整解读 Hojo ASR Multi V1 是一款基于 Qwen3 大语言模ZeroGUI-AndroidLab-7B性能解析AndroidLab等GUI基准上到底有多强ZeroGUI AndroidLab 7B性能解析AndroidLab等GUI基准上到底有多强 ZeroGUI AndroidLab 7B 是 Ope上一篇Langfuse Web 中的 React Server Components 并行数据获取用组件组合消除服务端 Waterfall下一篇OpenMontage D3.js 比例尺Scale全参考从连续映射到颜色编码的完整实战指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考