Spectral Feedback：蛋白质扩散模型测试时对齐新算法
原文标题：Spectral Feedback for Test-Time Alignment of Protein Diffusion Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 Spectral Feedback 算法，通过反馈循环选择编辑位置，让离散扩散模型迭代修正自身生成结果，将「重访哪些 token」视为对齐的核心问题。作者发现蛋白质逆折叠的编辑集价值函数具有稀疏傅里叶表示，从而可高效学习与优化。该方法模型无关，在蛋白质稳定性奖励下使预训练模型稳定蛋白提升 32.3%，Best-of-10 提升 24.8%，RL 微调模型提升 5.8%。
- 问题
- 离散扩散模型的对齐只单向引导反向过程，无法回退修正已选错的 token。
- 方法
- 提出 Spectral Feedback，把「重访哪些 token」作为对齐核心，利用编辑集价值函数的稀疏傅里叶表示高效选择编辑位置。
- 结果
- 蛋白质稳定性奖励下预训练模型提升 32.3%，Best-of-10 提升 24.8%，RL 微调模型提升 5.8%。
- 影响
- 为扩散模型对齐提供模型无关的反馈式修正思路，可直接用于蛋白质设计等生成任务。
深读 · 结论先行AI 生成展开看要点与影响 ↓
蛋白质扩散模型新算法在稳定性奖励下让预训练模型提升32.3%，且模型无关。
- •Spectral Feedback把「重访哪些token」当作对齐核心问题，而非只调整token logits
- •利用编辑集价值函数的稀疏傅里叶表示，高效学习编辑位置选择
- •蛋白质稳定性奖励下：预训练模型提升32.3%，Best-of-10提升24.8%
- •对RL微调模型仍有5.8%提升，方法模型无关
为什么重要：离散扩散模型的对齐此前多聚焦单向推理，该工作把「编辑位置选择」形式化为可学习问题，为蛋白质设计等离散生成任务提供了通用后处理对齐思路。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。