Molence 开源 Mol-1，宣传数据遭逐行核查质疑

1. 18:04
   智药局

   觅深知源开源生物分子基础模型Mol-1，抗体抗原结构预测成功率75.0%比肩IsoDDE

   觅深知源（Molence Bio）发布首个生物分子基础模型Mol-1，并开放源代码与基础模型权重。在FoldBench-AB抗体抗原测试集上，Mol-1预测成功率为75.0%，与Isomorphic Labs的IsoDDE技术报告公布的75.6%相当，加入表位约束后Mol-1-constraint提升至88.3%。

2. 00:32
   Molence精选

   Molence 发布 Mol-1：增加推理算力可提升抗体-抗原预测

   Molence 发布抗体-抗原结构预测模型 Mol-1，称在 MolBench-AB-26 上增加推理算力可持续提升预测质量。

1. 08:30
   BioAICraft

   Molence Bio 开源生物分子基础模型 Mol-1，抗体设计表观亲和力达 43 pM

   Molence Bio 于 2026 年 10 月 23 日发布约 5.77 亿参数的生物分子基础模型 Mol-1，并开源基础版代码与权重，约束版通过在线平台访问。

2. 00:23
   Molence精选

   Molence 发布 Mol-1 agent：单张 NVIDIA H20 上预测大型蛋白组装

   Molence 发布 Mol-1 agent，称可在单张 NVIDIA H20 上完成大型蛋白组装预测，在 10 例评测（8,000–60,120 残基）中 8 例 TM-score ≥0.9。

1. 18:06
   下一分子

   AI制药日报｜Ginkgo开放ReFRAME化合物库DRUG-seq数据，Molence报告VHH设计结果

   Ginkgo Datapoints旗下虚拟细胞药理学计划于2026年10月27日以CC BY 4.0许可开放ReFRAME化合物库的DRUG-seq转录组数据，覆盖12,949种化合物，注册免费账户即可获取。

2. 00:50
   Molence精选

   Molence 展示 Mol-1-constraint 用三残基位点假设提升 DockQ

   Molence 展示 Mol-1-constraint 在三个案例中的效果：输入由文献和单体结构给出的三残基位点假设后，DockQ 分别从 0.014 升至 0.874、从 0.011 升至 0.739、从 0.200 升至 0.863。该帖称这些案例说明稀疏的生物学假设可以引导复合物结构预测，但未披露模型细节与评测设置。

3. 00:50
   Molence

   Molence 推出 Mol-1-constraint，引入表位信息提升抗体-抗原结构预测

   Molence 发布 Mol-1-constraint，在结构预测中引入表位信息后，四个抗体-抗原基准上 DockQ > 0.23 的成功率均提升：FoldBench-AB 从 75.0% 升至 88.3%，AF3-AB 从 62.7% 升至 84.2%，PXMeter-AB 从 58.3% 升至 77.5%，MolBench-AB-26 从 57.3% 升至 79.4%。公司称可在 lab.molence.com 用自有生物学问题评测 Mol-1 与 Mol-1-constraint。

4. 00:50
   Molence

   Mol-1 在蛋白-肽预测中领先

   13/15 🧬 Mol-1 在蛋白-肽预测中也领先 在 MolBench-Peptide-26 上，Mol-1 达到： • DockQ > 0.23 时 88.8% • DockQ > 0.49 时 77.3% • DockQ > 0.80 时 54.1% 借助结合位点信息，Mol-1-constraint 将这些提升至 92.2%、85.0% 和 60.2%。 #AIforScience

5. 00:50
   Molence

   Molence 称 Mol-1 在 MGBench 分子胶预测中领先，未见靶点上优势更明显

   Molence 称其 Mol-1 在 MGBench 分子胶预测基准上各分箱均领先对比方法，未见靶点上优势更明显。已见靶点准确率为 92.2% 对 84.3%，高同源为 74.6% 对 40.7%，低同源为 28.6% 对 19.1%。上述结果来自该公司的基准评测，低同源条件下两者绝对准确率均较低。

6. 00:49
   Molence精选

   Molence 报告从头设计 BCMA 结合剂：SPR 亲和力达 43 pM

   Molence 报告其从头设计的 BCMA 结合剂在零样本条件下取得 43 pM 的 SPR 亲和力。30 个设计中 12 个为结合命中，两个候选以 VHH-Fc 融合形式测得 SPR KD 分别为 43 pM 和 1.1 nM。两者结合细胞表面 BCMA 的 EC50 为 0.19 和 0.16 nM，同一实验体系中 belantamab 为 4.1 nM。

7. 00:49
   Molence精选

   Molence 智能体预测最长 6 万残基组装体，10 例中 9 例优于 Anthropic

   Molence 称其长期运行的智能体可准确预测最长 6 万残基的复杂组装体，在 10 个受评组装体中 9 例优于 Anthropic 报告的结果，8 例 TM-score ≥ 0.90。该智能体将生物学知识引入建模过程，协调结构预测与组装，并随结果调整策略，在单张 NVIDIA H20 上运行；最大成功预测包含 120 条蛋白链，TM-score 达 0.997。

8. 00:49
   Molence精选

   Molence 发布 Mol-1 抗体结构预测模型并开源代码与权重

   Molence 发布抗体结构预测模型 Mol-1，在 DockQ > 0.23 下取得 75.0% 的中位成功率，与 IsoDDE 报告的 75.58% 相当。团队称在 32 个种子构成的全部 201,376 种五种子组合中，62.22% 的组合达到或超过 75% 成功率。模型代码与权重已在 GitHub 开放，并可在 lab.molence.com 试用。

1. 23:36
   Brian Naughton

   Molence Mol-1 抗体结构预测在 FoldBench-AB 达 75.0% 中位成功率

   Molence 公布 Mol-1 在 FoldBench-AB 上的结果：DockQ > 0.23 时中位成功率为 75.0%，与 IsoDDE 已发表的 75.58% 相当。团队评估了 32 个种子构成的全部 201,376 种五种子组合，其中 62.22% 达到或超过 75% 成功率。Brian Naughton 指出，此次对比包含 Protenix v2，且 Mol-1 确有实际提升；模型代码见 https://github.com/molence/Mol-1，可在线试用 https://lab.molence.com。

2. 23:16
   Molence

   Molence 报告 Mol-1 零样本 BCMA 设计获 43 pM 亲和力

   Molence 用 Mol-1 早期检查点的从头 VHH 设计流程针对 BCMA 做零样本设计，30 个设计中 12 个为结合命中。两个候选以 VHH-Fc 融合形式测试，SPR KD 分别为 43 pM 和 1.1 nM；结合细胞表面 BCMA 的 EC50 为 0.19 和 0.16 nM，同一实验体系中 belantamab 为 4.1 nM。作者此前还报告该流程在 17 个靶点上初始命中率 6% 至 63%。

3. 23:15
   Molence精选

   Molence 用 Mol-1 早期检查点构建 VHH 设计流程，17 个靶点均获结合命中

   Molence 基于 Mol-1 的早期检查点构建从头 VHH 设计流程，在 17 个多样化靶点上均获得结合命中，靶点级初始命中率为 6% 至 63%。靶点覆盖可溶性蛋白、受体胞外域和 GPCR，包括 BCMA、4-1BB、TNFR2、IL-4Rα、CCR8、CXCR4、CXCR6 与 CCR5。

4. 23:14
   Molence精选

   Molence 称 Mol-1 长时程智能体在 10 个组装任务中 9 个超过 Anthropic 报告结果

   Molence 称基于 Mol-1 的长时程智能体在 10 个受评组装任务中有 9 个超过 Anthropic 报告的结果，可在单张 NVIDIA H20 上预测最长 60,120 个残基的复合物结构，其中 8 个达到 TM-score ≥ 0.90。作者同时引用其前一条内容称，Mol-1 在 FoldBench-AB 上以 DockQ > 0.23 计的中位成功率为 75.0%，与 IsoDDE 已发表的 75.58% 相当；该结果来自对 32 个种子构成的 201,376 种五种子组合的评测，其中 62.22% 达到或超过 75% 成功率。Mol-1 代码见 https://github.com/molence/Mol-1，试用入口为 https://lab.molence.com。

5. 23:11
   Molence精选

   Molence 展示 Mol-1-constraint 用三残基位点假设提升抗体-抗原 DockQ

   Molence 在三个案例中依据文献与单体结构给出三残基位点假设，配合 Mol-1-constraint 后 DockQ 分别从 0.014 升至 0.874、从 0.011 升至 0.739、从 0.200 升至 0.863。作者据此说明稀疏生物学假设可引导复杂结构预测，并称表位信息作为输入时 Mol-1-constraint 在 FoldBench-AB、AF3-AB、PXMeter-AB、MolBench-AB-26 四个基准上 DockQ > 0.23 的成功率均有提升，基础模型与 Mol-1-constraint 可在 https://lab.molence.com 获取。

6. 23:03
   Molence精选

   Molence 发布 Mol-1-constraint：表位信息提升抗体-抗原复合物预测

   Molence 公布 Mol-1-constraint，在提供表位信息时，四个抗体-抗原基准上 DockQ > 0.23 的成功率均高于基础模型：FoldBench-AB 从 75.0% 升至 88.3%，AF3-AB 从 62.7% 升至 84.2%，PXMeter-AB 从 58.3% 升至 77.5%，MolBench-AB-26 从 57.3% 升至 79.4%。作者称表位可作为预测输入，基础模型与 Mol-1-constraint 均可在 lab.molence.com 获取。该帖为系列第 14 条，引用内容另报告 Mol-1 在 MolBench-Peptide-26 上的肽-蛋白预测结果。

7. 23:02
   Molence精选

   Molence 发布 Mol-1 在 MolBench-Peptide-26 上的蛋白-肽预测结果

   Molence 公布 Mol-1 在 MolBench-Peptide-26 蛋白-肽复合物预测基准上的成绩：DockQ > 0.23 为 88.8%，DockQ > 0.49 为 77.3%，DockQ > 0.80 为 54.1%。加入结合位点信息后，Mol-1-constraint 在相同阈值下分别提升至 92.2%、85.0% 和 60.2%。作者称生物位点信息在每个评测精度阈值上都改善了肽复合物预测。

8. 23:00
   Molence精选

   Molence 的 Mol-1 在 MGBench 分子胶预测中报告低同源条件 28.6% 联合成功率

   Molence 的 Mol-1 在 MGBench 分子胶预测基准上报告联合成功率：已见条件 92.2%、高同源 74.6%、低同源 28.6%，最强评测基线在低同源条件为 19.1%。联合成功需同时满足配体 RMSD < 2 Å、lDDT-PLI > 0.8 和蛋白界面 DockQ > 0.23。作者同时引用的另一条内容称，在 Runs N' Poses 的 0–20 最低相似度区间，Mol-1 成功率为 36.1%，AlphaFold 3 为 24.6%，通过 Mol-1-constraint 提供结合位点信息后升至 63.9%。

9. 22:44
   Molence

   Molence 零样本设计 BCMA 纳米抗体，SPR 亲和力达 43 pM

   Molence 用早期 Mol-1 检查点构建从头 VHH 设计流程，针对 BCMA 的 30 个设计中有 12 个结合命中，两个候选以 VHH-Fc 融合形式测得 SPR KD 为 43 pM 和 1.1 nM。这两个候选结合细胞表面 BCMA 的 EC50 分别为 0.19 和 0.16 nM，同一实验中 belantamab 生物类似药为 4.1 nM。作者称这些高亲和力识别模块可进一步改造为多价和多特异性抗体形式。

10. 22:37
    Molence精选

    Molence 用 Mol-1 早期检查点构建 VHH 设计流程，17 个靶点命中率 6%–63%

    Molence 基于 Mol-1 的早期检查点构建了从头 VHH 设计工作流，在 17 个多样化靶点上取得 6% 至 63% 的靶点层面初始命中率。靶点覆盖可溶性蛋白、受体胞外域和 GPCR，包括 BCMA、4-1BB、TNFR2、IL-4Rα、CCR8、CXCR4、CXCR6 与 CCR5，作者称这是经过实验测试的设计结果。

11. 22:36
    Molence精选

    Molence 发布 Mol-1：单张 NVIDIA H20 上完成 60,120 分子组装与结构预测

    Molence 称其 Mol-1 在单张 NVIDIA H20 上完成 60,120 分子组装与结构预测，基于 Mol-1 的长时运行智能体在 10 个受评组装中 9 个优于 Anthropic 报告的结果，其中 8 个 TM-score ≥ 0.90。作者同时引用其前一条内容称，Mol-1 在 FoldBench-AB 上以 DockQ > 0.23 计的中位成功率为 75.0%，接近 IsoDDE 公布的 75.58%，并称在 32 个种子构成的 201,376 种五种子组合中 62.22% 达到或超过 75% 成功率。模型代码见 https://github.com/molence/Mol-1，试用入口为 https://lab.molence.com。

12. 22:31
    Molence精选

    Molence 发布 Mol-1 生物分子智能模型，FoldBench-AB 中位成功率达 75.0%

    Molence 发布开源生物分子智能模型 Mol-1，在 FoldBench-AB 上以 DockQ > 0.23 为判定标准取得 75.0% 中位成功率，接近 IsoDDE 已公布的 75.58%。作者称评测覆盖 32 个随机种子产生的全部 201,376 种五种子组合，其中 62.22% 达到或超过 75% 成功率。引用内容还提到单张 H20 上可处理 60k token 组装、VHH 结合命中率最高 63%、最佳 SPR KD 为 43 pM，模型已在 GitHub 与 lab.molence.com 开放。

13. 16:59
    DrugAI

    觅深知源 Molence Bio 开源生物分子基础模型 Mol-1

    觅深知源 Molence Bio 发布生物分子基础模型 Mol-1，用单个模型预测抗体–抗原、蛋白质–多肽、蛋白质–小分子及分子胶等多种复合物，并开放模型权重与代码。

1. 18:00
   LeapFun精选

   字节Protenix原班人马开源结构预测模型Mol-1

   原字节跳动Protenix团队核心成员肖文之推出结构预测模型Mol-1，代码与权重全部开源。文中称其在抗体抗原预测上成功率为75%，高于AlphaFold 3的48.8%，加入已知信息后可达88.3%，并在分子胶和低同源多肽预测上刷新最好成绩。

2. 11:31
   智药邦精选

   Molence Bio开源结构预测模型Mol-1，抗体预测追平Isomorphic Labs并完成纳米抗体设计验证

   Molence Bio于10月27日发布开源结构预测模型Mol-1，在FoldBench-AB抗体-抗原结构预测成功率达75.00%，与Isomorphic Labs技术报告中的75.58%基本持平，引入表位约束后升至88.3%。

3. 03:36
   科普知识综述

   Mol-1 发布：开放前沿生物分子智能模型，FoldBench-AB 达 75.0%

   Mol-1 发布开放前沿生物分子智能模型，在 FoldBench-AB 上达到 75.0%，接近 IsoDDE 报告的 75.58%。该模型在单个 H20 上实现 60k 标记的组装，VHHs 结合命中率高达 63%，最佳 SPR KD 为 43 pM。代码见 github.com/molence/Mol-1。

1. 17:00
   BioTender精选

   从 Protenix 到 Mol-1：前字节系团队创业，技术先发如何变成公司优势

   Molence 于 2026 年 10 月公开 Mol-1 技术报告与模型，作者以 Protenix 2025 年 1 月开放训练流程到 Mol-1 亮相约 21 个月的时间差为线索，讨论前字节系团队创业的技术先发能否转化为公司优势。

2. 16:00
   BioTender

   前字节系团队创立的 Molence Bio 发布开源生物分子基础模型 Mol-1

   前 Protenix 团队核心成员创立的 Molence Bio 发布开源生物分子基础模型 Mol-1，面向大规模生物分子建模与 AI 药物发现，模型代码已开放。团队披露的成绩包括 FoldBench-AB 成功率 75.0%、VHH 实验结合命中率最高 63%，以及单张 H20 GPU 可处理 6 万 token 的生物分子组装体。上述性能数据来自团队披露，测试条件与独立复现尚待关注。

3. 11:41
   科普知识综述

   Mol-1 发布：开放前沿生物分子智能模型

   Mol-1 发布，定位为开放前沿生物分子智能模型，在 FoldBench-AB 上达到 75.0%，接近 IsoDDE 报告的 75.58%。该模型在单个 H20 上实现 60k 标记的组装，VHHs 结合命中率高达 63%，最佳 SPR KD 为 43 pM。代码已在 GitHub（github.com/molence/Mol-1）提供。

4. 11:40
   药化猩球精选

   字节Protenix原班团队开源生物分子模型Mol-1，抗体、分子胶与多肽结构预测升级

   原字节跳动Protenix核心成员肖文之团队推出生物分子基础模型Mol-1并公开39页技术报告，基于Protenix技术体系提升结构预测能力。

5. 11:19
   Leo Zang

   Protenix 团队新公司 Molence 发布生物分子智能模型 Mol-1

   Protenix 团队成立的新公司 Molence 发布开源生物分子智能模型 Mol-1，在 FoldBench-AB 上取得 75.0%，接近 IsoDDE 报告的 75.58%。该模型可在单张 H20 上完成 6 万 token 的组装，VHH 结合命中率最高 63%，最佳 SPR KD 为 43 pM；代码已在 GitHub 开放，并提供在线试用入口。

6. 11:10
   药化猩球

   逐行核对 Mol-1 成绩单：宣传数字与 GitHub 仓库对不上

   作者逐行核对 Mol-1 的宣传数据与 GitHub 仓库，发现 FoldBench-AB 75.0% 有出处但对比的 IsoDDE 与 75.58% 无法对应，所谓“8 项里胜过 Anthropic 10 项”算术不通，且 Mol-1 实为 Protenix 衍生模型。

7. 10:37
   药化猩球精选

   逐行核对 Mol-1 宣传成绩单：75.0%、63% 与 43 pM 在开源仓库中均无出处

   作者逐行核对 Mol-1 发布宣传中的四项数字，发现 FoldBench-AB 75.0%、VHH 命中率 63%、SPR 亲和力 KD 43 pM 及单张 H20 跑 60k token 在公开仓库 molence/Mol-1 中均无对应数据，IsoDDE 75.58% 的对比出处标注为 Coming soon。

8. 10:30
   药化猩球

   Molence Bio 发布生物分子智能模型 Mol-1，FoldBench-AB 达 75.0%

   Molence Bio 在社媒介绍其开放前沿生物分子智能模型 Mol-1，在 FoldBench-AB 上达到 75.0%，接近 IsoDDE 报告的 75.58%。该模型在单张 H20 上处理 60k 个 token 的组装任务，VHH 结合命中率最高达 63%，最佳 SPR KD 为 43 pM。GitHub 与试用入口已公开。

9. 10:21
   LeapFun精选

   字节Protenix原班团队开源生物分子模型Mol-1，抗体、分子胶与多肽结构预测提升

   原字节跳动Protenix核心成员肖文之团队推出生物分子基础模型Mol-1并公开39页技术报告，基于Protenix技术体系提升结构预测能力。

10. 10:06
    BioAIDesign精选

    Molence Bio 发布开放权重模型 Mol-1：解读基准成绩、43 pM VHH 与 Protenix 对比

    Molence Bio（觅深知源）发布首份技术报告与开放权重模型 Mol-1，5.77 亿参数，主干为 8 个 Pairmixer 风格模块加 40 个 Pairformer 模块，训练仅用 2021 年 9 月 30 日前发布的 PDB 结构。

11. 09:56
    澪乃ゆい

    MolenceBio 开源发布复合物结构预测模型 Mol-1

    MolenceBio 发布开源生物分子复合物结构预测模型 Mol-1，可处理蛋白、DNA、RNA 与低分子参与的复合体，并针对抗体–抗原、多肽和 molecular glue 等相互作用。引用信息称其在 FoldBench-AB 上取得 75.0%，接近 IsoDDE 报告的 75.58%；单张 H20 可处理 60k token 组装，VHH 结合命中率最高 63%，最佳 SPR KD 为 43 pM。代码已在 GitHub 开放，并提供在线试用入口。

12. 08:26
    Brian Naughton精选

    MolenceBio 发布开源抗体折叠模型 Mol-1，FoldBench-AB 得分 75.0%

    MolenceBio 发布 Apache 2.0 开源折叠模型 Mol-1，聚焦抗体，在 FoldBench-AB 上得分 75.0%，接近 IsoDDE 报告的 75.58%。其称可在单张 H20 上完成 60k token 组装，VHH 结合命中率最高 63%，最佳 SPR KD 为 43 pM。Brian Naughton 指出 Mol-1 源自字节跳动 AML AI4Science 团队的 Protenix，但未与 Protenix v2 对比。

13. 05:30
    Eric Alcaide

    MolenceBio 发布开放生物分子模型 Mol-1，FoldBench-AB 得分 75.0%

    MolenceBio 发布开放生物分子智能模型 Mol-1，在 FoldBench-AB 上得分 75.0%，接近其引用的 IsoDDE 报告的 75.58%。该模型可在单张 H20 上处理 6 万 token 的组装，VHH 结合命中率最高 63%，最佳 SPR KD 为 43 pM。代码已在 GitHub 开放，并提供在线试用入口。Eric Alcaide 转发该发布，称自 AlphaFold2 早期以来业界一直关注抗体方向，看到进展令人兴奋。

14. 04:39
    Eric Alcaide

    MolenceBio 发布开源生物分子模型 Mol-1，FoldBench-AB 达 75.0%

    MolenceBio 发布开源生物分子智能模型 Mol-1，在 FoldBench-AB 上达到 75.0%，接近 IsoDDE 报告的 75.58%。该模型可在单张 H20 上完成 6 万 token 的组装，作者称其在 10 项对比中有 8 项优于 Anthropic；VHH 结合命中率最高 63%，最佳 SPR KD 为 43 pM。模型已在 GitHub 开源，并提供在线试用入口。

15. 03:47
    Molence精选

    Molence 发布开源生物分子智能模型 Mol-1

    Molence 发布开源生物分子智能模型 Mol-1，在 FoldBench-AB 上取得 75.0%，接近其引用的 IsoDDE 报告的 75.58%。该模型可在单张 H20 上完成 6 万 token 的组装，公司称其在 10 项对比中 8 项优于 Anthropic；VHH 结合命中率最高 63%，最佳 SPR KD 为 43 pM。代码已在 GitHub 开放，并提供在线试用入口。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。