推理时解锁多模态蛋白质语言模型

该论文研究了多模态蛋白质语言模型（pLM）在推理时的采样策略。作者建立了三阶段调查框架，在三个代表性pLM和四个基础任务上评估了香草采样、任务特定分类器自由引导和奖励引导波束搜索。结果显示，默认推理协议存在次优性，任务导向采样偏好可显著提升性能上限，且无需更新模型参数，并得出与先前共识不同的结论。

此前研究多聚焦于模型训练，对推理策略关注不足。该论文首次系统探究推理时采样策略对多模态pLM生成性能的影响，发现默认推理协议并非最优，通过任务导向采样可显著提升性能上限，且无需重新训练模型，填补了该领域空白。

多模态pLM的生成性能不仅取决于训练，还依赖于推理时的采样策略。论文通过控制采样分布（香草采样）、每步logits（分类器自由引导）和并行轨迹（奖励引导波束搜索），实现探索-利用权衡，从而优化生成结果，提升性能上限。

对蛋白质设计相关产品，该研究提示优化推理采样策略可提升生成质量，而无需增加训练成本。产品团队可考虑在现有模型基础上，针对具体任务调整采样参数，以低成本获得更好效果。但论文未提供具体性能增益数据，实际影响需进一步验证。

• 论文中性能提升的具体幅度和量化数据未给出，需查看全文。
• 不同任务下最优采样策略的选择依据和规则尚不明确。
• 采样策略优化是否会影响生成速度或计算资源需求，证据中未提及。
• 该方法对实际蛋白质设计产品的适用性和稳定性有待验证。