Mol-1 开源生物分子模型：抗体预测 75.0%，加约束到 88.3%

一句话总结：觅深知源开源了生物分子基础模型 Mol-1，抗体—抗原结构预测成功率 75.0%，与 Isomorphic Labs 的 IsoDDE（75.6%）基本持平。更有意思的是加表位约束之后，同一个模型能到 88.3%——多了 13.3 个百分点，靠的不是更多参数，是多给了一条先验。

抗体结构预测这件事，过去两年基本是 DeepMind 系和几家制药巨头在做，成果发论文，代码不开源。

这次有个中国团队把权重放出来了。

一、Mol-1 的 75.0% 意味着什么

先把数字摆清楚。

在 FoldBench-AB 这个抗体—抗原测试集上：

• IsoDDE（Isomorphic Labs）：75.6%
• Mol-1：75.0%
• Mol-1-constraint：88.3%

图 1：75.0 和 75.6 差 0.6 个百分点，图上只有 3 像素，这就是"追平"的实际含义

0.6 个百分点的差距，在统计上基本不具备区分度。所以准确的说法是"追平"，不是"超越"。

有些中文报道用了"反超 Anthropic"这个说法。这个说法指的是另一组评测——大型复合物建模，Mol-1 的 Agent 在多数测试案例上准确度超过 Anthropic 此前公布的结果。那是另一个任务，不是抗体结构预测。 两件事不能混着说。

我把这条单独拎出来，是因为这类转述很容易被读成"全面超越"，实际不是。

二、Mol-1 一个模型覆盖多种复合物

技术上的重点不在分数，在"一个模型"这四个字。

Mol-1 可以预测的复合物类型包括：

• 抗体—抗原
• 蛋白质—多肽
• 蛋白质—小分子
• 分子胶

传统做法是每类复合物训一个专用模型。Mol-1 用一个模型全覆盖，这意味着它学到的不是"某一类分子的形状规律"，而是更底层的东西。

还有一个能力值得说：抗体从头设计。团队表示已获得结合与功能的实验验证。设计和预测是两回事——预测是"给结构算分数"，设计是"从零造一个能结合的分子"。后者难度高一个量级。

三、开源的选择：为什么放权重

团队把代码和权重都放出来了，可以在线用，也可以下载到自己的环境跑。

这个选择值得说两句。

科学模型的商业模式和通用模型不一样。 通用模型可以卖 API，因为用户量大、调用频次高。科学模型的用户是全球几万个实验室，单次推理可能跑几天，按 token 计费根本不成立。

所以对科学模型来说，开源不是让利，是唯一能规模化的路径。让每个实验室在自己的超算上跑，比让他们排队调你的 API 现实得多。

团队在官方文章里写的是"开放能让整个领域走得更快"。这话说得客气，但商业逻辑也摆在那。

四、同期的 Hydrogen-1.0：753B 科学模型

同一周还有另一个科学模型开源。

Deep Principle 发布了 Hydrogen-1.0，基于 GLM-5.3 构建，753B 参数的 MoE 架构，面向化学、材料和生命科学，MIT 许可证。据称在 FrontierScience-Research 上表现超过 GPT-6-Astra。

753B 加上 MIT 许可，这两条放在一起不太常见。大模型配宽松许可，通常意味着发布方判断"能力本身不再是壁垒，数据和服务才是"。

两个模型、两个方向：Mol-1 走"小而专"（单模型覆盖多模态复合物），Hydrogen-1.0 走"大而全"（753B 覆盖整个科学领域）。

循环架构那篇讨论过同样的分岔：参数效率和多参数规模，是两条都在走的路。

五、生物分子模型为什么突然扎堆

我想到三个原因。

一是评测标准成熟了。 抗体结构预测有 FoldBench 这样的公开测试集，分子生成有明确的验证流程。有标准就能比，能比就有人卷。

二是数据积累到临界点。 蛋白质结构数据库（PDB）积累了几十年，加上 AlphaFold 带来的预测结构，训练数据不再稀缺。

三是算力成本下来了。 一个生物分子模型的训练规模，比通用大模型小一到两个数量级。几百张卡的集群能做的事，不再是巨头专属。

第三条最重要。它意味着这个领域的竞争会从"谁有算力"转向"谁有数据和验证能力"。

这笔账和显存那篇算的是同一类问题：当硬件成本压到某个位置，决定胜负的就不再是硬件。

六、常见问题

Mol-1 能直接用于药物研发吗？

不能。结构预测只是药物发现链条的第一环，后面还有结合亲和力、毒性、成药性、临床试验。预测得准不等于药能成。

75.0% 的成功率算高吗？

在抗体—抗原这个任务上，75% 已经是当前最好水平附近。但这个数字依赖测试集的构成，换个更难的数据集会掉。

加了约束为什么能涨 13 个点？

因为表位约束本身就是强先验——它告诉模型"抗体应该结合在这个区域"。相当于把搜索空间砍掉一大块。这也说明模型的原始能力离"自己找对位置"还有距离。

开源版本和在线平台有区别吗？

官方说都可以用。通常在线平台会包一层更好的交互和预计算，本地跑更自由但需要自己配环境。

能商用吗？

要看具体许可条款。权重开放不等于无条件商用，医药领域的专利问题比软件复杂得多。

结语

这个模型最值得记的不是 75.0 这个数字。

是 88.3 那个数字告诉我的事：同一个小模型，多给一条先验，能力能涨 13 个百分点。

这比"堆更多参数"划算得多，也比"等下一代模型"快得多。做垂直领域的人应该都从这个思路里拿点东西——你的领域里有没有那种"人一看就知道该往哪找"的先验，能不能把它塞进模型。

参考资料

• 新浪财经：中国 AI 制药开源生物分子基础模型 - Mol-1 评测数据与开源信息
• Agentic AI News 2026-11-03 - Hydrogen-1.0 发布信息
• Mol-1 开源仓库 - 代码与权重