国产 AI 制药模型追平 DeepMind、单张 H20 干过 8 张 B300、权重全开源

一张显卡，抵八张

做一枚抗癌药，过去要靠合成生物实验室一个分子一个分子地试。

现在有一家成立才几个月的中国创业公司，把干这件事的模型整个开源了，连权重一起放。

这家公司叫觅深知源（Molence Bio），2026 年 4 月 25 日在北京注册成立，核心团队来自字节跳动 Seed AI for Science 团队，此前主导过蛋白设计模型 PXDesign 和生物分子基础模型 Protenix。2026 年 8 月 4 日，它刚完成天使轮，投资方包括高瓴创投、红杉中国、夏尔巴投资、杏泽资本、经纬创投。

10 月 31 日，它发布第一个生物分子基础模型 Mol-1，源码和模型权重在 GitHub 全面开源。

在抗体与抗原结构预测这个最难的榜单上，它做到了 75.0% 的成功率，和 DeepMind 孵化公司 Isomorphic Labs 的闭源模型 IsoDDE 报告的 75.6% 基本持平。而在超大复合物组装任务上，它用一张 H20 显卡，跑赢了对手用 8 张 B300 的结果。

用人话说：过去要花几百万美元、堆一机房顶级显卡才能试的分子设计，现在一个中国创业公司用免费的开源模型，在一张普通显卡上做到了同一量级。 这不是"又发了个模型"，是把整个行业的入场券价格打下来了。

一句话总结

Mol-1 真正值钱的不是追平 DeepMind，而是它同时干了两件过去互相排斥的事——够准、够省、而且免费开源。

一、成绩单：三个必须看懂的数字

模型方公布的测试结果如下：

任务 · 指标 · Mol-1 表现 · 对照

抗体与抗原结构预测 · FoldBench-AB 成功率 · 75.0% · Isomorphic Labs 闭源 IsoDDE 报告值 75.6%

同上，加表位约束 · 成功率 · 88.3% · 模型自身约束版（Mol-1-constraint）

分子胶三元复合物 · 高同源子集成功率 · 74.6% · 第二名仅 40.7%

超大复合物组装 · 最大成功预测 · 6 万氨基酸残基、120 条蛋白链，TM-score 0.997 · Anthropic 最好案例约 1 万残基，规模为其 1/6

用人话说：第一个数字说明它能"看懂"抗体怎么咬住抗原；第二个数字是分子胶——很多药就卡在这一步；第三个数字最夸张，它一次组装的东西比对手大 6 倍。

还有一个容易被忽略但很重要的细节：稳定性。用 32 个随机种子组合出 201,376 种五种子组合，其中 62.22% 能达到 75% 以上的成功率，17.85% 超过 76%。这说明它不是靠"赌"出好成绩的，换台机器、换个环境跑，水平是稳的。

二、它是怎么用一张卡赢过 8 张卡的

这是整件事里最反直觉、也最值得讲的部分。

对手这边：Anthropic 用 8 张 B300 显卡做超大复合物组装，最大准确预测规模约 1 万氨基酸残基；而在 3.1 万到 7 万残基这个区间，有 7 个体系全部失败。

Mol-1 这边：配合自研的长时运行智能体工作流，只用单张 NVIDIA H20——在 10 个大型复合物任务里，9 个的结果优于 Anthropic，其中 8 个 TM-score 超过 0.9。

对比项 · Anthropic · Mol-1

显卡 · 8 张 B300 · 1 张 H20

最大成功规模 · 约 1 万残基 · 6 万残基、120 条蛋白链

3.1 万–7 万残基区间 · 7 个体系全部失败 · 10 个大型复合物中 9 个更优

用人话说：显卡型号从"最贵那款"降到了"性价比那款"，任务规模反而翻了几倍。 这背后靠的不是硬件，是两件事——一是模型本身把结构预测的难度降下来了（不靠传统的潜变量编码，直接在更紧凑的表示上工作），二是智能体工作流让它能自己规划、多轮试错、失败了自己重来。

这也是为什么这件事重要：AI 制药过去最贵的一环不是"想分子"，而是"把候选分子真的算出来"。 算一遍可能好几天，还常常直接失败。这一步的成本降下来，后面所有环节的成本才能跟着降。

三、开源这件事，值钱在哪

模型权重 mol-1-base.pt 大约 2.2 GB，参考数据约 0.3 GB，放在阿里云 OSS 上海节点。安装门槛是这样的：

```

git clone https://github.com/molence/Mol-1 && cd Mol-1

pip install -e ".[cuda]"

mol pred -i examples/examples_with_template/example_9fm7.json -o ./output

```

示例预测大约需要 14 GB 显存，在 95 GiB 的 Blackwell 卡上约 2 分钟跑完（首次 CUDA 扩展编译时间另计）。输出是标准的 CIF 结构文件加一个置信度 JSON。

而且它不是只放了个壳子。仓库里还包含：自建的 MolBench-Peptide-26 基准（150 个 PDB 条目、172 个界面簇），在 DockQ 0.23 / 0.49 / 0.80 三档阈值下成功率分别为 88.8% / 77.3% / 54.1%，约束版提升到 60.2%。支持蛋白、DNA、RNA、配体、离子链，还能处理共价键和残基修饰。

用人话说：一个高校课题组、一个中小药企，今天下午就能把这个模型拉下来跑基准。 以前这事的门票是"付钱给 Isomorphic Labs 或药企巨头"，现在门票是"会敲两行命令"。

同时模型方也在 lab.molence.com 提供在线试用，可以直接上传体系看预测结果。

四、它不只是会算，还会做实验

这是最容易被忽略、但最能说明问题的一段。

模型不只做结构预测，还做纳米抗体（VHH）的从头设计，并且送去做湿实验验证：

靶点 · 结果

BCMA · 30 个候选中 12 个结合，最优 KD = 43 pM，细胞 EC50 低至 0.16 nM（对照 belantamab 为 4.1 nM）

4-1BB 激动型 VHH · 首轮命中率约 7% → 一轮实验反馈迭代后，第二轮 60 个设计中 51 个有活性，命中率跃升至 85%（对照 Utomilumab 为 0.43 nM）

CXCR6（GPCR） · 成功设计拮抗型 VHH，EC50 = 39 nM，可抑制下游信号

交叉反应性 · 能同时结合序列一致性仅 54% 的两种抗原，首轮 30 个中 5 个成功

17 个靶点（含 4 个 GPCR）全部拿到了结合候选，单靶点命中率最高 63%。

用人话说："命中率 7%，做一轮实验把失败的喂回去，第二次跳到 85%"——这句话里藏着 AI 制药真正的打法。 以前的流程是"设计一批 → 全送去做实验 → 等几个月 → 挑出好的"，中间那几个月是纯烧钱。现在这一轮是"设计 → 挑最有把握的先做 → 用结果反哺下一轮设计"，实验不再是筛子，而是模型的反馈信号。

要注意的是，这条链路上最贵的仍然不是模型，而是湿实验本身。模型把候选命中率从 7% 拉到 85%，意味着同样多的实验次数，能多筛出十几倍的可用分子——但实验本身还是得花钱做。

写在最后

1. 为什么"开源"在这件事上格外重要

生物医药的失败率天生就高。一个模型说"成功率 75%"，在别的领域可能只是跑分好看，在这里可能意味着每 4 个候选有 1 个是废的。而验证一次要花几个月真金白银。

所以模型方把基准、脚本、权重全放出来，不是开源界的"情怀"，而是这个行业特有的信任基础设施：你必须让别人能独立跑一遍，才有人敢拿它去做决策。这也是这次发布比"又刷了个榜"重要得多的原因。

2. 对普通人意味着什么

最直接的：药会变便宜，而且不是"未来某天"。模型这一环的成本塌下来之后，整条链上最贵的部分就从"算"变成了"做实验"和"过审批"。对罕见病、肿瘤这类患者基数小但药物市场小的病种，算得起本身就是一道原来过不去的门槛。

更实际的：这件事对做药的人影响远大于对用药的人。过去 AI 制药是几家头部公司的封闭游戏，模型不开放、基准不公开，外部团队连复现都做不到。现在一个成立几个月、拿完天使轮的团队，把模型、权重、基准、评测脚本全放出来了——行业第一次有了可以被重复验证的公共起点。

值得警惕的：这类成绩目前主要来自模型方自测和团队的技术报告，还缺第三方独立复现。追平闭源模型的宣传口径，在生物医药这种要求极高的领域，最终还得看湿实验的重复性。

对标对象里还有一家叫 Chai Discovery 的公司（Chai-1 分子结构预测开源模型、Chai-2 抗体从头设计，命中率约 15%–20%，投资方包含 OpenAI 和红杉），路线同样是"赋能行业而不自建管线"。连 OpenAI 都在这条赛道上押了注——这说明 AI 制药的进展速度，比大多数人预期的要快。

3. 未来 12 个月，看 3 件事

看第三方复现。 特别是那个"单卡打赢 8 卡"的结论，必须有独立团队在不同硬件上重跑一遍才算数。

看湿实验的第三方重复。 BCMA 那个 43 pM、4-1BB 那个 85% 命中率，如果能在别的实验室复现，这条路才真正走通。

看开源模型能不能被"改造"。 Mol-1 是通用底座。真正的价值出现在有人拿它做癌细胞、自身免疫病、罕见病这些细分靶点的时候——那才会验证这个底座到底有多通用。

AI 制药的第一阶段是"谁来设计分子"，第二阶段是"谁来付实验的钱"。Mol-1 证明第一阶段正在被免费化，而第二阶段，才是这轮变革真正要过的那道坎。

如果觉得这篇拆解对你有帮助，不妨点个关注和在看。

你的 AI 陪跑伙伴 【数字新奇点】 会继续关注科学智能从"刷榜"走向"湿实验验证"这条真正的验证标准。

咱们下期见！

参考资料

GitHub：molence/Mol-1 开源仓库与模型权重

网易科技：追平 DeepMind，反超 Anthropic，国产开源模型闯入 AI 制药第一梯队

新浪财经：Mol-1 抗体抗原预测与超大复合物组装成绩详解

搜狐：国产 AI 制药大模型 Mol-1 全面开源，行业竞争格局重塑

投资界：觅深知源公司档案与团队背景

微博：国产开源 AI 制药模型 Mol-1 发布，进入第一梯队