79.07% 对 47.90%：抗体界面这一项被一家五个月大的公司抢了先，但它赢的只是界面

导语

11 月 10 日，一家叫 Geodesic Intelligence 的公司在自己的发布页上挂出了一个新模型 NovaAtom-Lite：给蛋白质、DNA、RNA 的序列，再给一个小分子，它一次把每个重原子的位置都摆出来。

它挑了一个很具体的战场——不是蛋白单体，而是界面：抗体和它的抗原怎么贴在一起，小分子怎么卡进蛋白口袋。在这两项上，官方给出的数字是 79.07% 和 77.06%，对照的是 AlphaFold 3 的 47.90% 和 64.90%，以及 Isomorphic Labs 的 IsoDDE 的 75.58% 和 75.99%。

这几个数字当天就被英文科技媒体接走了：Snape Report 在 18:00 UTC 出了英文和中文两版，AICrier、TLDR、AI Briefs、AGI Hunt 各自成文。到 11 月 11 日凌晨，中文侧也开始转。

（本文基于多家媒体转述整理，数字与口径以 Geodesic 官方发布页为主，Snape Report、AICrier、TLDR、AGI Hunt 的独立转述为辅。）

先把三件最容易误读的事说清楚

第一，79.07% 是厂商自评，不是第三方复现。发布页自己就写明：IsoDDE 的 75.58% 是「对方开发者报告的数值」，AlphaFold 3 的 47.90% 来自 FoldBench 官方评测，各家的样本数还不一样——NovaAtom-Lite 172 个界面、AlphaFold 3 167 个、OpenDDE 和 Protenix-v1 各 160 个。所以只能看排序和量级，不能抠小数点。

第二，79.07% 不是「随便跑一次」的结果。它是 5 个 seed × 每个 seed 5 个样本、再按模型自己的排名分挑 top-1 得到的；同一张图上，单 seed 只有 74.3%，五个 seed 的随机抽样均值是 78.3%，79.07% 是那次具体运行。样本加到 100 个 seed，排名后的成功率升到 83.1%，oracle（事后挑最好的那个）上限是 88.4%。换句话说，这个数字里有一部分是「多采样 + 会挑」买来的。

第三，它没有全面赢。FoldBench 八项任务里，它赢的是抗体–抗原、蛋白–配体、蛋白单体三项；蛋白–蛋白输给 OpenDDE（75.63% 对 76.9%）、蛋白–RNA 输给 OpenDDE（65.71% 对 73.5%）、蛋白–DNA 输给 AlphaFold 3（74.24% 对 79.18%）、DNA 单体和 RNA 单体也都落后。蛋白单体那一项全场挤在 0.870 到 0.891 的 LDDT 之间，本来就快饱和了。

它到底在预测什么

输入是一组序列：任意条蛋白链（包括修饰残基和非标准残基）、单链或双链 DNA、结构化 RNA，加上小分子配体（按化学组分代码或 SMILES 给）。输出是每个重原子的坐标，外加逐残基的 pLDDT、残基间的 PAE，以及每个界面的 ipTM。

几个工程上的细节值得注意，因为它们决定了这东西在真实流程里好不好用：

• 环肽：标一下哪段是环肽，成环的那个键它会自己补上。
• 共价键：可以指定两个原子相连，用于共价抑制剂、糖基化、交联。
• 接触与口袋提示：只给残基位置或口袋位置，模型把它当「提示」来权衡，而不是当硬约束——这一点和很多只吃硬约束的工具不一样。

训练数据截止到 2021 年 9 月 30 日，和 AlphaFold 3 同一个截止日。这不是巧合：它等于在说「我没见过 2021 年 9 月之后的任何结构」，而所有用来考它的测试结构都晚于这个日期。对结构预测模型来说，这是最基本也最容易被含糊过去的一条。

分数拆开看：赢在哪，输在哪

FoldBench 是一个低同源基准，1,522 个生物组装体，取自 2023-01-13 到 2024-11-01 之间提交的 PDB 条目，并且过滤掉了与 AlphaFold 3 训练集相似的样本。八项任务里，五类界面看成功率（DockQ ≥ 0.23 算成功），三类单体看 LDDT。

• 抗体–抗原（172 个界面）：NovaAtom-Lite 79.07% / IsoDDE 75.58% / OpenDDE 70.0% / ESMFold2 53.2% / Protenix-v1 52.3% / AlphaFold 3 47.90% / Boltz-1 33.54%。这一项是全场差距最大的一项，从 33% 拉到 79%。
• 蛋白–配体（558 个界面，判据是配体 RMSD 小于 2 埃 且 LDDT-PLI 大于 0.8）：77.06% / IsoDDE 75.99% / AlphaFold 3 64.90%。
• 蛋白单体（334 条链，LDDT）：0.891 / OpenDDE 0.890 / ESMFold2 0.889 / AlphaFold 3 0.886——差 0.005，属于打平。
• 蛋白–蛋白（279 个界面）：75.63%，OpenDDE 76.9 最好，五家挤在三分以内。
• 蛋白–RNA（70 个界面）：65.71%，OpenDDE 73.5 最好。
• 蛋白–DNA（330 个界面）：74.24%，AlphaFold 3 79.18 最好。
• DNA 单体（14 条链）：0.521，AlphaFold 3 0.530 最好。
• RNA 单体（15 条链）：0.620，OpenDDE 0.660 最好。

把阈值抬高，差距反而更明显：在更严的 DockQ ≥ 0.80 上，NovaAtom-Lite 是 41.28%，AlphaFold 3 是 19.2%——相对倍数从 1.7 倍涨到 2.2 倍。它做对的抗体界面里，超过一半落在「高精度」这一档；AlphaFold 3 是五分之二。

官方还给了两个更硬的测试集

第一个是 PXMeter 的 PXM-22to25-AB：2022 到 2025 年提交、与更早条目低同源的 PDB 结构，528 个条目、383 个聚类、1,209 个抗体–抗原界面。官方页自己说这是两个对比里更难的那个——同一个模型在两个集合上的分数会掉 10 到 19 分。结果：NovaAtom-Lite 66.05%，OpenDDE 51.0%，ESMFold2 42.9%，Protenix-v1 40.2%，Boltz-1 19.6%。AlphaFold 3 不在表里，因为它的作者在这个集合上没有公开值。

第二个是 Runs N’ Poses，专门测「训练集里没见过的配体姿势能不能泛化」：2,600 个高分辨率蛋白–配体体系，取五个方法都跑过的 2,272 个配体，按与训练集的相似度分 8 个区间。在最不像训练集的一档（0–20% 相似度，63 个配体），NovaAtom-Lite 47.6%，AlphaFold 3 23.8%，Chai-1 9.5%，Boltz-1 12.7%，OpenDDE 15.9%；相似度往上走，所有方法的分数都涨，但排序不变。

这个分箱图其实是整篇发布里最有信息量的部分。它说明的不是「新模型更强」，而是这类模型的分数高度依赖测试集离训练集有多远。同一篇报道里如果只给一个总数，读者没法判断它是在「见过的类似结构」上刷分，还是真的泛化了。

反方：生成得出，不等于选得对

同一周，比利时/澳洲的 PUXANO 发了一篇自己的抗体–抗原评测（11 月 10 日）。他们从 SAbDab2 的 21,914 条记录里筛出 302 个抗体和纳米抗体复合物，要求目标结构的发布日期不早于 2023 年 6 月 1 日（三个被测模型的最晚训练截止），再用 Foldseek 剔掉那些「虽然晚发布、但长得像旧结构」的样本。每个复合物跑 25 次预测。

被测的是 Boltz-2、Protenix-v2、OpenDDE v1.1.0——没有 NovaAtom-Lite，因为它刚发。但结论对理解上面那组数字很有用：

• 如果允许用实验结构事后挑最好的那个（oracle），OpenDDE 成功率 63.6%、Protenix-v2 59.6%、Boltz-2 27.8%。
• 如果只能用模型自己的置信度（ipSAE）挑，三个模型分别掉到 53.3%、48.3%、18.2%。
• 更狠的一条：ipSAE 在「确实存在成功候选」的靶点里，能挑中一个成功的比例是 83.9%（OpenDDE）/ 81.1%（Protenix-v2）/ 65.5%（Boltz-2），但精确挑中最佳候选的比例只有 4.7%。
• 302 个靶点里，有 79 个（26.2%）在三个模型共 75 次采样里，一次都没成功。

这不是在说 NovaAtom-Lite 的数字有问题——两者数据集、判据、采样预算都不同。它说的是：抗体–抗原这一项的「成功率」，很大程度上是排序器的成功率。Geodesic 的 79.07% 明确写了「按模型自身排名分取 top-1」，那就得把「它的排序器好不好」当成这个数字的一部分来看，而不是当成背景。

这家公司是谁，为什么值得单写

Geodesic Intelligence 成立约五个月。创始人顾全全（Quanquan Gu）是 UCLA 的终身教授，此前在字节跳动 Seed 团队负责 AI 药物发现，做过 SeedFold；据多方转述，他 6 月离开字节创业，四个月后拿出 NovaAtom。团队规模按转述是十几人，训练用了「几百块 GPU」。

把它和站内已有的那篇对照着看更有意思：8 月 Aureka 开源 OpenDDE 时，第三方在 FoldBench 抗体–抗原上报的数字是 76.1% 对 AlphaFold 3 的 47.9%。也就是说，AlphaFold 3 在这个具体任务上偏低，不是这一次才发现的；这一轮真正被推高的是「第二三名」那条线——IsoDDE 75.58%、OpenDDE 70%、NovaAtom-Lite 79.07%，三家挤在一起。

这也解释了为什么它先打界面：蛋白单体已经 0.87 以上，谁赢都没意义；而抗体–抗原直接对应「这个抗体能不能用」，是药物设计里最花钱的一步。AICrier 的评价是同一件事的另一面——界面预测是药物发现价值最高、也是目前最没被解决的地方。

怎么用：一个 API，没有权重

模型不开放下载。它通过 Geodesic API 和自家的 NovaDDE 平台提供，调用方式是三个动作：提交任务（表单形式，不是 JSON，要带 model=novaatom、序列、numSeeds、diffusionSamples 等参数）→ 轮询任务状态和分阶段进度 → 下载排好序的结构和每个结构的置信度指标。

这意味着两件事：成本上是按调用付费、且采样数直接决定花多少（1 seed 到 100 seeds，成功率从 74.3% 涨到 83.1%，钱也按这个比例涨）；时间上不用自己搭环境，但也拿不到权重做微调、蒸馏或私有数据继续训练。对需要把模型嵌进自己流水线、或者要在私有结构上继续训练的团队，这是硬限制。

官方页没有给单次调用的价格，也没有给延迟数据。要评估成本，只能拿自己的靶点先去跑一批，比较「多采样买到的成功率」和「单价」的比值。

不适用场景

• 想在自己数据上微调：没有权重，只有 API，做不到。
• 要复现这组 benchmark：发布页是唯一技术文档，没有论文、没有代码、没有评测脚本，第三方的 FoldBench 跑分无法逐项对齐。
• 蛋白–RNA、蛋白–DNA、RNA 单体为主的课题：这三项它都不是最好的，蛋白–RNA 落后 OpenDDE 近 8 个点。
• 需要「临床可用」的结合亲和力：DockQ 衡量的是结构相似度，不是亲和力，也不是活性；这一层它和所有共折叠模型一样没有回答。

避坑与判断标准

• 看到「超越 AlphaFold 3」先问哪一项：抗体–抗原和蛋白–配体成立，蛋白单体是打平，另外四项落后。
• 看到百分比先问采样预算：单 seed 74.3% 和 100 seeds 83.1% 是同一个模型。
• 看到排名先问谁排的：按模型自己的置信度排，和按实验结构事后挑，能差 5 到 10 个点（PUXANO 那组里最大差到 10 个点以上）。
• 看到「独立评测」先看有没有第三方复现：这一轮所有转述都注明了「厂商自评、未经独立核验」，包括中文那版。

接下来该看什么

第一，等第三方在 FoldBench 抗体–抗原上用同一套脚本重跑。第二，等更大的 NovaAtom 模型——官方说在训。第三，也是最关键的，等湿实验：结构对了不等于分子能用，PUXANO 那篇最后一句写得很直白，实验结构生物学（包括冷冻电镜）仍然是产生参照系的唯一办法。

在这三件事发生之前，NovaAtom-Lite 最稳妥的定位是：抗体界面这一项上，一个新的、可调用但不可复现的强基线。它把这条线从 47.9% 推到 79.07%，同时把「排序器」这个隐藏变量摆到了台面上。

参考来源

Geodesic Intelligence 官方发布页（2026-11-10 06:55 UTC）：https://www.geodesiclab.com/news/introducing-novaatom-lite

Geodesic API 文档页：https://www.geodesiclab.com/api

Snape Report 英文版（2026-11-10 18:00 UTC）：https://snapereport.com/s/geodesic-novaatom-lite-structure-model-beats-alphafold-3-antibody

Snape Report 中文版：https://snapereport.com/zh/s/geodesic-novaatom-lite-structure-model-beats-alphafold-3-antibody

AICrier（2026-11-10 20:39 UTC）：https://aicrier.com/post/m2ehnzuvkqqihrnhh7lh

TLDR（2026-11-10 18:05 UTC）：https://tldr.tech/story/ca877b85-9f8a-4e7a-9163-ceeea4af7889

AI Briefs（2026-11-11 04:16 UTC）：https://aibriefs.news/card/5825a076-18a5-4f9a-8d8e-41ebf62b8c2b

AGI Hunt 英文版（2026-11-11 01:49 UTC）：https://agihunt.info/en/p/1a1c84fe531021536ee3f5b1824

AGI Hunt 中文版（2026-11-10 18:05 UTC）：https://agihunt.info/p/1a1c6a70f1dae33e42ff740d566

PUXANO 抗体–抗原模型评测（2026-11-10，方法论旁证）：https://puxano.com/news/choosing-an-ai-model-for-antibody-antigen-structure-prediction/