低/中/高 thinking 思考模式怎么选RFD4-Proteína 蛋白设计回收调度策略性能对比与选型指南【免费下载链接】RFD4-Proteina项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/RFD4-ProteinaRFD4-Proteína 是 Baker Lab 与 NVIDIA GenAIR 联合发布的生物分子设计模型flow-matching能根据你给定的结合靶标、酶基序或配体同时生成蛋白序列与全原子结构。本文对比thinking_low / thinking_medium / thinking_high三档回收recycle调度预设的基准性能与 GPU 成本帮你快速选出性价比最高的思考模式。什么是 thinking 预设回收调度到底在控制什么 RFD4-Proteína 用 flow matching 从噪声中逐步雕刻出分子结构。采样过程固定为60 个采样步而每一小段步数内模型主干网络trunk会被反复回收运行 N 次——跑得越多次模型对该段的思考就越充分输出越精细但 GPU 时间也成比例增加。三档thinking预设就是三种不同的步数段 × 回收深度排布[steps, recycle depth]区间全部采用前重后轻front-loaded策略在采样早期噪声大、结构未定型多花时间思考后期逐步收敛预设调度区间(steps, recycle depth)总 trunk 通过次数相对耗时thinking_low[10,4] [10,3] [10,2] [30,1]1201×thinking_medium默认[5,6] [10,5] [5,4] [10,3] [20,2] [10,1]1801.5×thinking_high[10,9] [10,8] [10,5] [20,3] [10,2]3002.5× 默认配置在 inference.yaml#L8recycle_strategy: thinking_medium不指定时即跑中档。模型训练阶段最多支持 9 次回收见 config.json#L88-L93 中的recycle配置块——这也解释了为什么 high 档的最高回收深度正好是 9。除三档thinking_*预设外原生运行时还为每个预算档位提供了 flat均匀与 mid-peak中间峰值两种排布可按任务特性进一步微调参见 README.md#L228-L238。性能实测通过率 vs GPU 效率对比 官方基准套件对三档预设做了同条件横评每个靶标200 次独立生成统一用 AF3 外部评估打分覆盖 4 类设计任务。以下数据来自 benchmarks/summary.csv完整逐靶标明细见 benchmarks/source_data.csv✅ 一次通过率pass rate越高越好基准任务靶标数lowmediumhigh蛋白-蛋白结合PPI2414.1%16.4%19.1%小分子结合7720.9%25.2%27.8%酶基序Atomic Motif Enzyme3710.6%12.4%13.5%DNA 结合31.3%2.0%2.3%⚡ GPU 效率每 10 GPU 分钟产出的通过样本数越高越划算基准任务lowmediumhigh蛋白-蛋白结合23.725.824.5小分子结合58.966.559.8酶基序24.626.623.3DNA 结合4.56.67.5两个关键结论质量单调提升通过率高/中/低严格递增high 档在全部 4 类任务上通过率最高比 low 档平均高约 5 个百分点。效率并非越高越赚由于 high 档单次耗时约是 low 的 2.5 倍而通过率并未翻倍因此中档medium在 PPI、小分子、酶基序三类主力任务上 GPU 效率最高只有样本量极小的 DNA 任务上 high 档效率领先。官方对比表high thinking 配置下每 GPU 小时的结构上互异的通过数显示其大幅领先同类方法蛋白结合 71.6、小分子结合 112.25、酶基序 91.18见 README.md#L253-L270。⚠️ 口径提示以上数值来自 2026-10-09 冻结基准前一代权重对尚未在当前 2026-10-19 发布上复测通过是计算口径的结构判定PAE、RMSD、pTM 等不代表实验验证成功DNA 仅 3 个靶标结论参考性有限。评测口径详情见 benchmarks/METHODS.md。选型建议按任务场景选 thinking 模式 你的场景推荐预设理由首次跑通流程 / 快速看个大概thinking_low耗时最短1×适合验证输入标注、参数是否配通批量筛选、大规模候选生成thinking_medium默认档通过率与 GPU 成本的最佳平衡点三大主力任务效率最高高价值靶标的最终候选池thinking_high通过率最高值得用 2.5× 时间换取更多结构上互异的通过样本小预算 追求数量thinking_low 增大num_replicates用更多独立采样弥补单次质量总成本往往更低一句话策略先用 low 验证流程medium 跑量筛选high 收最终池。快速上手一条命令切换 thinking 预设 在原生运行时中只需追加recycle_strategy参数即可切换完整用法见 README.md 的 Start with one design 一节# 中档默认可省略参数 rfd4-generate inputs./input.cif \ hf_ckpt_pathnvidia/RFD4-Proteina \ num_replicates1 out_dir./runs/med ~metrics compile_lengthsnull # 切换到高档深思考 rfd4-generate inputs./input.cif \ hf_ckpt_pathnvidia/RFD4-Proteina \ recycle_strategythinking_high \ num_replicates1 out_dir./runs/high ~metrics compile_lengthsnullPython 侧用Proteina.from_pretrained加载后在 Hydra compose 的 overrides 中同样传入recycle_strategythinking_low|thinking_medium|thinking_high即可。相关文件与延伸阅读 预设定义与调度表README.md#L228-L238默认配置thinking_mediuminference.yaml#L5-L8网络回收训练参数config.json#L88-L93三档基准汇总数据benchmarks/summary.csv逐靶标原始数据benchmarks/source_data.csv评测方法与通过标准benchmarks/METHODS.md权重身份与校验和release-checkpoints.json许可协议BSD 3-ClauseLICENSE 最后提醒本仓库提供的是 EMA 推理权重flow 模型 自编码器成对发布不可跨版本混用如需 refolding 与指标评估还需单独下载 alphafold2/runtime/ 或 openfold3/runtime/ 中的评估镜像。【免费下载链接】RFD4-Proteina项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/RFD4-Proteina创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考