從微觀世界的分子與材料結(jié)構(gòu)、到宏觀世界的幾何與空間智能，創(chuàng)建和理解 3D 結(jié)構(gòu)是推進(jìn)科學(xué)研究的重要基石。3D 結(jié)構(gòu)不僅承載著豐富的物理與化學(xué)信息，也可為科學(xué)家提供解構(gòu)復(fù)雜系統(tǒng)、進(jìn)行模擬預(yù)測和跨學(xué)科創(chuàng)新的重要工具。如何準(zhǔn)確且高效地構(gòu)建 3D 模型、理解和生成 3D 世界正在成為 AGI、AI for Science、具身智能三大 AI 熱門領(lǐng)域共同關(guān)注的焦點(diǎn)。而隨著 AI 技術(shù)的發(fā)展，大型語言模型（LLM）與大型多模態(tài)模型（LMM）那強(qiáng)大的自回歸下一 token 預(yù)測能力也已經(jīng)在開始被用于創(chuàng)建和理解 3D 結(jié)構(gòu)。基于此，我們看到了 AI for Science 的新可能。

近日，一個開創(chuàng)性的此類大模型誕生了！

它名為 Uni-3DAR，來自深勢科技、北京科學(xué)智能研究院及北京大學(xué)，是一個通過自回歸下一 token 預(yù)測任務(wù)將 3D 結(jié)構(gòu)的生成與理解統(tǒng)一起來的框架。據(jù)了解，Uni-3DAR 是世界首個此類科學(xué)大模型。并且其作者陣容非常強(qiáng)大，包括了深勢科技 AI 算法負(fù)責(zé)人柯國霖、中國科學(xué)院院士鄂維南、深勢科技創(chuàng)始人兼首席科學(xué)家和北京科學(xué)智能研究院院長張林峰等。

柯國霖在 ?? 上分享表示：Uni-3DAR 的核心是一種通用的粗到細(xì) token 化方法（coarse-to-fine tokenization），它能將 3D 結(jié)構(gòu)轉(zhuǎn)化為一維的 token 序列。

• 論文標(biāo)題：Uni-3DAR: Unified 3D Generation and Understanding via Autoregression on Compressed Spatial Tokens
• 論文地址：https://arxiv.org/abs/2503.16278
• 項(xiàng)目主頁：https://uni-3dar.github.io
• 代碼倉庫：https://github.com/dptech-corp/Uni-3DAR

基于這套通用的 token 化方法，Uni-3DAR 使用自回歸的方式，統(tǒng)一了 3D 結(jié)構(gòu)的生成和理解任務(wù)。大量實(shí)驗(yàn)表明，Uni-3DAR 在分子生成、晶體結(jié)構(gòu)生成與預(yù)測、蛋白結(jié)合位點(diǎn)預(yù)測、分子對接和分子預(yù)訓(xùn)練等多個任務(wù)中均取得了領(lǐng)先性能。尤其在生成任務(wù)中，相較于現(xiàn)有的擴(kuò)散模型，其性能實(shí)現(xiàn)了高達(dá) 256% 的相對提升，推理速度提升達(dá) 21.8 倍，充分驗(yàn)證了該框架的有效性與高效性。此外，此模型不僅可以用在微觀的 3D 分子，也可以用到宏觀的 3D 任務(wù)上，具備跨尺度的能力。

具體來說，Uni-3DAR 解決了 3D 結(jié)構(gòu)建模里的兩個痛點(diǎn)：

第一，數(shù)據(jù)表示不統(tǒng)一。當(dāng)前的 3D 結(jié)構(gòu)存在多種表示方式，尤其在不同尺度下差異顯著。宏觀結(jié)構(gòu)常用點(diǎn)云、網(wǎng)格（Mesh）等表示方式，而微觀結(jié)構(gòu)則多采用原子坐標(biāo)或圖結(jié)構(gòu)。這些表示方式的差異導(dǎo)致建模思路截然不同。即使在同一尺度，由于數(shù)據(jù)特性的差異，不同類型的結(jié)構(gòu)（如晶體、蛋白質(zhì)、分子）也往往采用各自專用的表示與模型，難以兼容。這種表示上的割裂嚴(yán)重限制了模型的通用性，也阻礙了構(gòu)建可借助大規(guī)模數(shù)據(jù)訓(xùn)練的通用基礎(chǔ)模型的可能性。

第二，建模任務(wù)不統(tǒng)一。 3D 結(jié)構(gòu)相關(guān)任務(wù)可分為生成和理解兩大類，但它們各自獨(dú)立發(fā)展。生成任務(wù)多依賴擴(kuò)散模型，從隨機(jī)噪聲逐步合成穩(wěn)定結(jié)構(gòu)，而理解任務(wù)則主要基于無監(jiān)督預(yù)訓(xùn)練方法。相比之下，大型語言模型（LLM）已通過自回歸方式成功實(shí)現(xiàn)了生成與理解任務(wù)的統(tǒng)一，但這種統(tǒng)一范式在 3D 結(jié)構(gòu)建模領(lǐng)域仍然鮮有嘗試。若能借助自回歸方法統(tǒng)一 3D 任務(wù)建模，不僅有望打通理解與生成的界限，更可能將 3D 結(jié)構(gòu)納入多模態(tài)大語言模型的處理范式，繼圖像和視頻之后成為 LLM 可理解的新模態(tài)，為構(gòu)建面向物理世界的通用多模態(tài)科學(xué)模型奠定基礎(chǔ)。

Uni-3DAR 整體架構(gòu)

下面我們具體解讀下這篇論文的兩個核心技術(shù)。

Compressed Spatial Tokens
統(tǒng)一微觀與宏觀 3D 結(jié)構(gòu)

3D 結(jié)構(gòu)在微觀（如原子、分子、蛋白質(zhì)）和宏觀（如物體整體、力學(xué)結(jié)構(gòu)）層面均表現(xiàn)出顯著稀疏性：大部分空間為空白，只有局部區(qū)域含有重要信息。傳統(tǒng)的全體素網(wǎng)格表示計(jì)算資源消耗巨大，無法利用這種稀疏性。

為此，Uni-3DAR 提出了一種層次化、由粗到細(xì)的 token 化方法，實(shí)現(xiàn)了數(shù)據(jù)的高效壓縮和統(tǒng)一表示，既適用于微觀也適用于宏觀 3D 結(jié)構(gòu)建模，為后續(xù)的自回歸生成與理解任務(wù)提供了堅(jiān)實(shí)基礎(chǔ)。

1. 層次化八叉樹壓縮

該方法首先利用八叉樹對整個 3D 空間進(jìn)行無損壓縮。具體做法是從包含整個結(jié)構(gòu)的一個大格子開始，針對非空格子（即包含原子或其他結(jié)構(gòu)信息的區(qū)域），遞歸地將其均分為 8 個等大小的子單元。經(jīng)過多層細(xì)分后，形成一個由粗到細(xì)的層次結(jié)構(gòu)，其每一層的 token 不僅記錄了區(qū)域是否為空，還保留了該區(qū)域的空間位置信息（由所在層次及格子中心坐標(biāo)確定），為后續(xù)的自回歸生成提供了明確的空間先驗(yàn)。

2. 精細(xì)結(jié)構(gòu) token 化

雖然八叉樹可以有效壓縮空白區(qū)域，但它僅提供了粗粒度的空間劃分，無法捕捉到諸如原子類型、精確坐標(biāo)（在微觀結(jié)構(gòu)中）或物體表面細(xì)節(jié)（在宏觀結(jié)構(gòu)中）等重要信息。

為此，該團(tuán)隊(duì)在最后層非空區(qū)域內(nèi)進(jìn)一步引入了「3D patch」的概念 —— 類似于圖像領(lǐng)域中的 2D patch 的處理。通過將局部結(jié)構(gòu)細(xì)節(jié)進(jìn)行離散化（例如采用向量量化技術(shù)），將連續(xù)的空間信息轉(zhuǎn)化為離散的 token。

這樣一來，無論是描述微觀尺度下單個原子的信息，還是刻畫宏觀尺度下物體表面的細(xì)節(jié)，都能以同一形式進(jìn)行表示。

3. 二級子樹壓縮

由于即使在八叉樹結(jié)構(gòu)下，token 數(shù)量仍可能較多，該方法進(jìn)一步提出了二級子樹壓縮策略。具體來說，將一個父節(jié)點(diǎn)及其 8 個子節(jié)點(diǎn)的信息合并為一個單一的 token（利用父節(jié)點(diǎn)固定狀態(tài)以及子節(jié)點(diǎn)的二值特征，共可組合成 256 種狀態(tài)），從而將 token 總數(shù)約降低 8 倍。這不僅大幅提高了計(jì)算效率，也為大規(guī)模 3D 結(jié)構(gòu)的高效建模提供了可能。

綜上，該方法充分利用了 3D 結(jié)構(gòu)固有的稀疏性，通過八叉樹分解、精細(xì) token 化與二級子樹壓縮，不僅大幅降低了數(shù)據(jù)表示的復(fù)雜度，而且實(shí)現(xiàn)了從微觀到宏觀 3D 結(jié)構(gòu)的統(tǒng)一表示，為后續(xù)自回歸生成與理解任務(wù)提供了高效、通用的數(shù)據(jù)基礎(chǔ)。

Masked Next-Token Preiction
統(tǒng)一生成和理解的自回歸框架

在傳統(tǒng)自回歸模型中，token 的位置是固定的 —— 例如在文本生成中，第 i 個 token 后總是緊接著第 i+1 個 token，因此下一個 token 的位置可以直接推斷，無需顯式建模。

然而，在該論文提出的粗到細(xì) 3D token 化方法中，token 是動態(tài)展開的，其位置在不同樣本間存在較大變化；如果不顯式提供位置信息，自回歸預(yù)測的難度將大大增加。為此，該論文提出了 Masked Next-Token Prediction 策略。

具體而言，該方法對每個 token 復(fù)制一份，確保兩個副本具有相同的位置信息，然后將其中一個副本替換為 [MASK] token。在自回歸預(yù)測過程中，由于被掩碼 token 與目標(biāo) token 的位置信息完全一致，模型能夠直接利用這一明確的位置信息來預(yù)測下一個 token 的內(nèi)容，從而更精確地捕捉下一個 token 的位置特征，提高預(yù)測效果。盡管復(fù)制 token 使序列長度翻倍，但實(shí)驗(yàn)結(jié)果表明，該策略顯著提升了性能，而推理速度僅下降 15% 至 30%。

基于 Masked Next-Token Prediction，該論文構(gòu)建了一個統(tǒng)一的自回歸框架，使得 3D 結(jié)構(gòu)的生成與理解任務(wù)能夠在單一模型內(nèi)同時進(jìn)行。

具體來說，生成任務(wù)（包括單幀與多幀生成）在被掩碼的 token 上執(zhí)行，利用自回歸機(jī)制逐步構(gòu)建結(jié)構(gòu)；token 級理解任務(wù)（如原子級屬性預(yù)測）則依托精細(xì)結(jié)構(gòu) token 進(jìn)行；而結(jié)構(gòu)級理解任務(wù)則引入了一個特殊的 [EoS]（End of Structure） token，用于捕捉整體結(jié)構(gòu)的全局信息。

此設(shè)計(jì)使不同任務(wù)對應(yīng)的 token 在模型內(nèi)部彼此獨(dú)立、互不干擾，從而支持聯(lián)合訓(xùn)練。同時，自回歸特性也便于將其他模態(tài)數(shù)據(jù)（例如自然語言文本、蛋白質(zhì)序列、儀器信號等）統(tǒng)一到單個模型，進(jìn)一步提升模型的泛化能力和實(shí)用性。

實(shí)驗(yàn)結(jié)果

該論文在微觀 3D 結(jié)構(gòu)領(lǐng)域設(shè)計(jì)了一系列任務(wù)，包括分子生成、晶體結(jié)構(gòu)生成與預(yù)測、蛋白結(jié)合位點(diǎn)預(yù)測、蛋白小分子對接以及基于預(yù)訓(xùn)練的分子性質(zhì)預(yù)測。

實(shí)驗(yàn)結(jié)果顯示，在生成任務(wù)中，Uni-3DAR 的性能大幅超過了擴(kuò)散模型方法；而在無監(jiān)督預(yù)訓(xùn)練的理解任務(wù)上，其表現(xiàn)與基于雙向注意力的模型基本持平。這些成果充分證明，Uni-3DAR 不僅能統(tǒng)一不同類型的 3D 結(jié)構(gòu)數(shù)據(jù)及任務(wù)，而且在效果和速度上均實(shí)現(xiàn)了顯著提升。

3D 小分子生成任務(wù)性能

晶體結(jié)構(gòu)預(yù)測，以及基于多模態(tài)信息（粉末 X 射線衍射譜）的晶體結(jié)構(gòu)解析性能

蛋白結(jié)合位點(diǎn)預(yù)測效果

蛋白小分子對接效果

基于預(yù)訓(xùn)練的小分子屬性預(yù)測效果，其中 Uni-Mol 和 SpaceFormer 也為深勢科技提出的專用模型，Uni-3DAR 超過了 Uni-Mol，與 SpaceFormer 基本持平

基于預(yù)訓(xùn)練的高分子聚合物性質(zhì)預(yù)測，其中 Uni-Mol 和 MMPolymer 也為深勢科技提出的專用模型，Uni-3DAR 超過了 Uni-Mol，與 MMPolymer 基本持平

未來展望

目前，Uni-3DAR 的實(shí)驗(yàn)主要集中在微觀結(jié)構(gòu)領(lǐng)域，因此亟需在宏觀 3D 結(jié)構(gòu)任務(wù)中進(jìn)一步驗(yàn)證其通用性和擴(kuò)展性。

此外，為保證與以往工作的公平對比，當(dāng)前 Uni-3DAR 在每個任務(wù)上均采用獨(dú)立訓(xùn)練。未來的一個重要方向是融合多種數(shù)據(jù)類型與任務(wù)，構(gòu)建并聯(lián)合訓(xùn)練一個更大規(guī)模的 Uni-3DAR 基座模型，以進(jìn)一步提升性能與泛化能力。

同時，Uni-3DAR 還具備天然的多模態(tài)擴(kuò)展?jié)摿Α：罄m(xù)可以引入更多模態(tài)的信息，例如蛋白質(zhì)序列、氨基酸組成，甚至結(jié)合大語言模型與科學(xué)文獻(xiàn)知識，共同訓(xùn)練一個具備物理世界理解能力的多模態(tài)科學(xué)語言模型，從而為構(gòu)建通用科學(xué)智能體打下基礎(chǔ)。