跳到正文
arXiv· Tianyu Lu; Kaicheng Yang; Jiangtao Feng; Keyue Qiu; Yawen Ouyang; Yixin Wu; Xinbo Zhang; Lihao Wang; Wei-Ying Ma; Hao Zhou·· 25 天前AI 评分62

Trion-1 发布:统一语言、蛋白质序列与结构的扩散语言模型

Trion-1: Unifying Language, Protein Sequence, and Structure with Diffusion Language Models

AI 导读

研究团队提出 Trion-1,一个面向蛋白质的原生统一多模态扩散语言模型(dLLM)。它用统一的离散 token 空间同时表示序列、结构和自然语言,并以双向或半双向 token 交互替代严格从左到右的分解,统一了折叠、逆折叠、序列理解、结构理解、序列设计和结构设计六项能力,同时保留通用 LLM 的语言能力。

预印本 · arxiv · 2610.31215

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

我们设想一个通用蛋白质基础模型应当是一个统一的、交互式的序列、结构与功能模型,具备理解、生成和跨模态翻译能力,同时保留现代 LLM 的指令遵循与推理能力。为实现这一愿景,我们推出 Trion-1——首个原生、统一的蛋白质多模态扩散语言模型(dLLM)。Trion-1 基于两项关键设计选择构建:(1)统一的离散 token 空间,联合表示序列、结构和自然语言;(2)dLLM 主干,用双向或半双向的 token 交互取代严格的从左到右分解,实现全局残基通信和长程接触建模,天然适合结构建模。这一形式统一了六项核心能力:折叠、反向折叠、序列理解、结构理解、序列设计和结构设计,同时保留通用 LLM 的原生语言能力。在既有基准测试中,Trion-1 取得了广泛可比的性能。在折叠任务上,Trion-1 在严格同源性控制下仅用单次采样即达到 0.8 以上的 TM-score,与使用 200 次采样的现有三模态模型持平或更优。在序列理解上,Trion-1 的表现与 Claude Opus 4.7(62.37%)等顶级 LLM 相当。这些结果支持了序列-结构-语言表征的良好对齐以及强大的跨模态生成能力。

来源:arXiv · arxiv.org