研究者点评 RFD4-Proteina:固定 x_t 循环精炼隐状态,每步推理更多、总步数更少
AllThingsApx · x · 2026-10-22
研究者 Anirban Ray 点评 RFD4-Proteina 的 CFM(conditional flow matching)思路:模型保持 xt 固定,改为循环式地精炼隐状态(recurrently refine hidden states),ODE 采样尤其适合这种设计。
相比 SDE 采样,ODE 所需步数更少,从而把更多算力留给了每一步内部的推理——「每步推理更多,总步数更少」。该模型是 Baker Lab 与 NVIDIA GenAIR 合作一年的蛋白质设计成果。
「研究」频道最新
- MIT 新机器学习方法将 2-6 周期天气预报精度破纪录提升 — LesterMackey · 2026-10-22
- 微软研究登 Nature:机器学习攻克 2-6 周天气预报难题 — LesterMackey · 2026-10-22
- 微软/MIT/ECMWF 登 Nature:AI 偏差修正让 2-6 周预报精度翻倍 — LesterMackey · 2026-10-22
- 哈佛本科生在微软研究院实习,ML 订次季节天气预报登 Nature — LesterMackey · 2026-10-22
- Chatlet:在群聊中自动生成的协作决策界面 — HaijunXia · 2026-10-22
- 研究者:想法足够具体,AI agent 几乎能自主完成整个研究 — burny_tech · 2026-10-22