1,000 个蛋白质，能给大模型补上一门推理课吗？9 月 30 日公开的预印本报告：Qwen3.5-9B 的十项评测均分，从 45.09% 升至 48.33%。但训练材料来自蛋白质，考题跨到了空间、图结构和科学问答。[1]
这项由上海交通大学、复旦大学等机构研究者提出的工作，叫 Fold2Reason。作者报告的平均增益为 3.23 个百分点，十项数据集的平均变化全部为正。但“分数更高”与“智能提升”之间，仍有距离：[1]
值得关注的是科学结构能否成为通用模型的训练材料。[1]
把一团蛋白质，变成一张能判分的试卷
蛋白质像一条折成团的珠链：远隔的两颗珠子，折好后可能挨着。但三维坐标能给出确定答案。是否接触、哪一对更近、两个片段朝向是否一致，都能由程序判分。这就是 FoldingCorpus 的出题依据。[1]
核心数据集包含 1,200 个蛋白质：1,000 个用于训练，开发集和冻结测试集各 100 个。每个蛋白质生成 12 道结构题，合计 14,400 条记录，其中训练记录为 12,000 条。但这里的“题库”来自已知结构，模型输入不会直接看到标准答案的坐标。[1]
题目还涉及局部方向、手性和多条件判断。九类是二选一，两类是三选一，另一类要从 32 个结构摘要中选出对应项。但模型只需输出短答案，训练没有要求它写出推理过程。[1]
同一份坐标，可以独立重算每道题的答案。科学数据成了可复核的出题器。但问题数量与独立信息量不能画等号；同一个蛋白质反复出题，能增加多少迁移能力，后面还要再测。[1]
训练时搭脚手架，考试时拆掉
像临时脚手架一样，共享工作区先汇集残基表征，再分两路检查。但检查目标不同：一路经原有语言接口回答结构题，另一路经冻结的几何解码器预测坐标和距离分布。两路共同约束模型表征。[1]
训练冻结基础权重，只更新 LoRA 外挂参数和共享工作区。主实验训练三轮、375 步，并独立运行三组随机种子。但通用评测移除蛋白质输入、工作区和几何解码器。[1]
迁移收益必须留在模型参数里。[1]
提升来自结构，还是只学会了答题格式？
GraphQA Hard 提升 6.83 个百分点，图像空间任务 SpatialViz 提升 6.10 个百分点。但收益并不均匀，Lab-Bench 只有 0.64 个百分点。十项宏平均给每个数据集相同权重；剔除作者自建的 FTB-Core 后，九项公开评测的平均收益仍为 3.14 个百分点。[1]
作者还设置了隐藏随机几何、复制答案编码、固定打乱标签三种对照。三者平均变化分别为 +0.92、−0.09、−0.27 个百分点，均低于完整方案的 +3.23。但这些对照采用不带工作区的 Pure-LoRA，不能单靠这张表，把差距全部归因于真实蛋白质几何。[1]
同一工作区下的组件消融更关键。去掉几何监督，结构问答仍带来 2.93 个百分点；完整方案为 3.23 个百分点。但额外几何监督只贡献约 0.30 个百分点。[1]
大部分跨任务收益，来自结构问答路径。[1]
几何监督给三项空间评测额外增加约 1.08 个百分点。但总体增量在三种子间有正有负，95% 区间跨零。广泛迁移优势尚不稳定。去掉问答的历史方案还保留检索辅助项，不能当作纯几何对照。[1]
换一个模型，这门课还管用吗？
仅用结构问答做 Pure-LoRA 训练，Qwen3.5 的 2B、4B、9B 模型分别提升 5.41、4.84、3.22 个百分点。InternVL3.5-8B 也提升 1.53 个百分点。但这组跨模型实验没有完整方案的工作区与几何监督，不能说每个模型都受益于双重训练。[1]
Gemma-4-12B-IT 的平均变化只有 +0.07 个百分点，三次训练中还出现一次下降。这种近乎中性的结果，划出了模型家族依赖的边界。但各模型保留各自的评测接口约定，这些数字回答的是“相对自身起点是否进步”，不适合直接排成跨模型排行榜。[1]
“会折叠”离可靠预测，还有多远？
那模型到底折得怎样？完整方案在 334 个蛋白质上的 TM-score 为 0.1688，lDDT-Cα 为 0.2532。但作者将其定位为结构信息的解码诊断；整体重建仍不可靠，不能用于生物学结构判断。[1]
像地图上的邻近街区更清楚了，整座城市的布局却未必更准。几何监督改善局部结构与接触读出，但整体拓扑指标 TM-score 略降。折叠质量与通用成绩没有同步变化，“折得更好所以更聪明”的因果链尚未闭合。[1]
题越多，模型就越聪明？
独立规模实验从 50 个蛋白质扩展到 4,000 个。平均收益在 2,000 个时为 3.70 个百分点，4,000 个时回落至 3.02。但各组均训练三轮，优化步骤随数据量增加，曲线不能解释为纯数据效应。[1]
这组实验另有评测约定，不能与主实验直接拼接。结构读出继续改善，通用收益却没有一路上升。但为何分离，实验无法确定；4,000 个蛋白质的样本池也改变了结构置信度构成，进一步限制了解释。[1]
更直接的测试固定了 1,000 个蛋白质和 375 个优化步骤，只改变每个蛋白质的问题数。3、6、12 道题对应的平均收益为 3.391、2.951、3.311 个百分点。但没有出现“题越多，提升越大”的趋势，也不能反过来断言问题密度完全无效。[1]
蛋白质结构衍生训练，在这些设定下改善了部分跨领域答题表现。但模型更可靠地调用已有能力、改变答题行为，都仍是需要区分的解释。[1]
实验支持行为迁移，尚未识别出背后的推理机制。[1]
结构评测尚未严格隔离远缘同源和新折叠类型，规模样本池也有已知重叠。这仍是范围有限的预印本研究。但问题值得继续检验：科学结构能否稳定训练出脱离原领域和特定答题格式的能力？[1]
下一步需要更多模型、严格隔离的数据，以及能分开答题行为与推理机制的实验。但最值得追问的，也许已经从“蛋白质有什么用”，转向了另一端：当科学数据成为老师，怎样才能知道大模型真正学会了什么？