SimpleX Tetra-1 把蛋白质折叠嵌进推理链,对接成绩超过 IsoDDE
SimpleX 的生物原生模型把蛋白质折叠做成原生步骤,在 Runs N' Poses 上得分 53.1%

2026 年 11 月 10 日,中国人工智能初创公司 SimpleX 发布了 Tetra-1 预览版,称它是一个生物原生的大语言模型,把蛋白质结构预测直接整合进思维链推理中:不是调用外部的专门模型,而是在同一个推理循环里把结构预测作为原生步骤来运行。
如果这一说法经得起独立评估,Tetra-1 在架构上就与 AI 药物发现领域目前所有的竞争对手都不同。Anthropic 的 Claude Science 和 OpenAI 的 GPT-Rosalind 等工具,都是通过外部编排来协调独立的结构预测引擎。SimpleX 说 Tetra-1 不是这样。
这种架构差异的实际意义,取决于 AI 药物发现领域一个悬而未决的问题:一个在与自然语言相同的计算流中推理分子结构的语言模型,能否学到基于编排的系统学不到的化学表示。这个问题推动了 2026 年整个领域的大量投资,而 Tetra-1 是第一个声称用公开基准结果直接作答的系统。
架构:Calpha
2026 年 11 月 16 日发布在 arXiv 上的一篇配套论文,题为《Calpha:在通用语言模型中实现原生生物分子智能》,详细介绍了整合机制。Calpha 架构实现了一个三步循环:Tetra-1 先用自然语言提出一个生化假设,然后在推理链中直接调用 SimpleFold-3B(与 Apple Research 合作开发的紧凑型蛋白质结构预测模型),再对预测出的结构做一轮自检,然后才进入下一步推理。
论文称,关键的架构区别在于,SimpleFold-3B 运行在大模型的推理过程内部,而不是从编排层接收任务交接。在基于编排的系统里,语言模型调用一个结构预测函数,等待结果,再以文本字符串或结构化输出的形式接收结果。在 Calpha 中,结构预测步骤被嵌入同一次前向传播,让梯度和表示可以跨越语言推理与结构计算之间的边界流动。
Calpha 论文把这描述为「工具调用」与「原生认知步骤」的区别。这一描述代表的是有意义的工程突破,还是对现有方法的重新包装,要看对该架构的独立技术审查,而这种审查还没有进行。这篇预印本是在 Tetra-1 预览版发布前不到两周发布的,尚未经过同行评审。
SimpleFold-3B
SimpleFold-3B在 2025 年 9 月发表于 arXiv 的另一篇论文中介绍,已被 ICLR 2026 接收,从一开始就是为整合进通用语言模型而设计的。这个模型只使用带自适应层归一化的标准 Transformer 模块,刻意避开了三角注意力、多序列比对,以及此前最先进的蛋白质折叠系统(包括 AlphaFold 2 和 AlphaFold 3)所特有的领域专用成对表示。
SimpleFold-3B 有 30 亿参数,用约 900 万个蒸馏得到的蛋白质结构以及蛋白质数据库(PDB)中的条目训练而成。这种训练方式让模型能够泛化到大量蛋白质家族,而不需要更大型折叠系统所依赖的专门预处理流水线。代价是,在结构数据丰富、研究充分的蛋白质家族上,SimpleFold-3B 的绝对准确率低于 AlphaFold 3。它的架构把通用性放在已知结构上的极致表现之前,正是这一特性让它能够原生整合进通用语言模型,也可能让它在新颖的低同源性靶点上更有效。
基准测试结果
SimpleX 报告称,Tetra-1 在 Runs N' Poses 基准最难的子集上得分 53.1%。Runs N' Poses 是 Škrinjar 等人于 2025 年 2 月发表的蛋白质-配体对接评测。其最难子集只评估训练结构与测试结构之间序列相似度不超过 20% 的蛋白质-配体复合物,共 76 个,专门用来检验模型能否超越记忆中的结构模式进行泛化。蛋白质-配体对接的泛化能力被视为药物发现的关键能力,因为具有药用价值的靶点在现有数据库中往往没有相近的结构类似物。
作为对比,Isomorphic Labs 的 AI 药物设计引擎 IsoDDE 在 2026 年 2 月的技术报告中,报告了在同一子集上约 50% 的成绩。根据 IsoDDE 技术报告,AlphaFold 3 在同一个 0–20% 子集上约为 23%。如果按表面数字来看,Tetra-1 比 IsoDDE 高 3.1 个百分点,在基准最难的部分上是 AlphaFold 3 得分的两倍多。
这些分数需要谨慎解读。Tetra-1 的 53.1% 来自 SimpleX 自己,尚未被独立复现;IsoDDE 的 50% 来自 Isomorphic Labs 自己的技术报告。两者用的是同一个基准,评估方法看起来一致,两家公司使用的都是同一个公开测试集。但这些结果还没有在中立、独立的正面对比中得到验证。
SimpleX 还报告了在 FoldBench 上的结果。这是 2025 年 12 月发表在《自然·通讯》上的一个基准,涵盖九项预测任务中的 1,522 个低同源性生物组装体。在 FoldBench 托管于 GitHub 的公开排行榜上,AlphaFold 3 在蛋白质-蛋白质相互作用任务上得分约 70.87%,在抗体-抗原任务上约 47.95%。SimpleX 报告称 Tetra-1 在蛋白质-蛋白质类别上有所提升,不过截至 2026 年 11 月,公开的 GitHub 排行榜上还没有出现 Tetra-1 的条目。
竞争格局
Tetra-1 进入的这个领域,2026 年吸引了大量投资和集中的研究关注,尤其是在 2024 年诺贝尔化学奖之后。该奖表彰了 AlphaFold 对蛋白质结构预测的贡献,也表明科学界认为 AI 驱动的结构生物学已经迈过了一个奠基性的里程碑。
Isomorphic Labs 是 Google DeepMind 分拆出来、专注于 AI 加速药物发现的公司,2026 年 5 月完成了由 Thrive Capital 领投的 21 亿美元 B 轮融资,累计融资约 26 亿美元。它的 IsoDDE 系统建立在 AlphaFold 3 一脉之上,已在一系列蛋白质对接和分子设计任务上做过基准测试。IsoDDE 采用编排方式,分子设计和结构预测作为相互协调但彼此独立的流程运行。
这个领域也吸引了曾在 AlphaFold 开发中担任核心角色的研究人员。John Jumper 因 AlphaFold 分享了 2024 年诺贝尔化学奖,当时在 Google DeepMind 领导蛋白质结构 AI 研究;他于 2026 年 6 月离开这一职位加入 Anthropic,从事 AI 辅助科学发现的工作。另外,Anthropic 于 2026 年 6 月推出了 Claude Science,这是一个测试版的研究工作台,在结构预测任务上采用基于编排的整合方式,让研究人员把蛋白质折叠作为更广泛的科学推理工作流的一部分来运行。OpenAI 于 2026 年 4 月发布了面向蛋白质结构和分子设计任务的 GPT-Rosalind,但该系统仍只向美国机构开放。
一家中国初创公司进入这个竞争领域,还有额外的背景需要考虑。SimpleX 受中国公司法管辖,截至 2026 年 11 月,尚未发布英文的数据访问政策,也没有披露其在政府数据调取请求方面的安排。迄今发布的 Calpha 论文和 Tetra-1 技术文档主要是中文,Calpha 的 arXiv 论文附有英文摘要。中国以外考虑使用 Tetra-1 的研究机构、医疗公司或制药企业,通常会在技术评估之外,另行就司法辖区的数据访问义务做尽职调查。
影响
Tetra-1 的原生整合方式是否真的比基于编排的替代方案更能提高蛋白质结构预测质量,还有待检验。Calpha 架构在理论上是自洽的:一个在与自然语言相同的处理流中推理分子结构的系统,可能学到外部编排层接触不到的化学表示。但 SimpleX 声称的基准优势很小,在厂商自报分数的正常波动范围之内,而且只涉及单一基准子集上的对接泛化任务。
《麻省理工科技评论》对该领域一位研究人员的采访,描述了任何生物原生大模型面临的核心挑战:科学推理需要把论断建立在物理结构之上,而纯语言模型在没有外部纠正的情况下,一直做不到这一点。Tetra-1 的原生循环在实践中是解决了这种失效模式,还是只是把纠正步骤挪进了模型的推理过程,需要独立复现来回答。
Calpha 论文目前是预印本,尚未完成同行评审。SimpleX 将 2026 年 11 月的发布称为预览版,还没有宣布全面上线、定价、访问条款或英文的外部 API 文档。没有英文技术接口,Calpha 预印本又处于初步阶段,这意味着独立评估最快也要几个月后才会出现。



