经过微调的分子基础模型，能否达到工程化传统模型的水平？

分子基础模型最吸引人的地方，是同一个分子表示有机会适配多个预测任务。但真正落到实验上，问题很直接：这种复用路线，能不能达到为单一数据集反复优化的传统模型水平？

我用 MIST 和 QM9 做了这个比较。本次公开预测模型属于 MIST-28M 系列，模型仓库名称标注约 2690 万参数。传统路线从 ECFP 指纹加 Ridge 开始，第一版结果并不好。后来逐步加入计数指纹、全局分子描述符、非线性模型、超参数搜索和集成模型，才得到有竞争力的结果。对我来说，这段迭代比简单宣布谁排名第一更重要：模型比较本身也是系统工程。

先说明贡献边界。MIST 由密歇根大学 Electrochemical Energy Group 开发、预训练、微调并公开发布。我独立设计和实现了这项基准评测，训练 Ridge、XGBoost 和 MLP，对保存的预测进行评估，并完成结果分析。这不是 MIST 团队的官方研究，我也没有训练这里使用的公开 MIST checkpoint。

数据和问题

QM9 包含 133,885 个小型有机分子及其量子化学计算性质。按照公开 MIST 流程重建后，我比较了 12 个 DFT 计算目标：偶极矩、极化率、HOMO、LUMO、HOMO-LUMO 能隙、电子空间范围、零点振动能、0 K 和 298 K 内能、焓、自由能与热容。这些是计算标签，不是实验测得的电解液性能。

按照固定版本的公开 MIST 代码重建后，候选数据划分包含 107,108 条训练数据、13,388 条验证数据和 13,389 条测试数据。去除测试集中完全重复的分子后，敏感性分析还保留 13,370 条。特征和参数选择只使用训练集与验证集；原始模型选择清单冻结之后，才读取测试标签。

总体指标是平均归一化 MAE。每个性质的 MAE 先除以训练集中该性质的标准差，再对 12 个值做等权平均，因此不同量纲的性质可以放在一起比较。数值越低越好。同时保留逐项结果，避免总体平均掩盖某些性质上的失败。

传统模型经过了哪些迭代

第一版固定基线使用 2,048 位二进制 ECFP4 和 Ridge。ECFP 把局部分子子结构编码为可计算的向量；它不是实验性质表。这个起点在验证集上的指标是 0.36969。

第二步不再只记录某个子结构“有没有出现”，而是统计出现次数。计数型 ECFP 把验证误差降到 0.23329。接着加入 17 个全局描述符，包括分子量、原子/键/环数量、可旋转键、氢键供体和受体、TPSA、LogP、sp3 比例、形式电荷、C/N/O/F 数量和芳香原子数。最终得到 2,065 维表示，Ridge 验证误差继续降到 0.15130。

线性模型的提升接近边界后，我比较了 5 组 XGBoost 和 5 组 MLP 配置。XGBoost 根据验证集提前停止训练，MLP 根据验证损失和等待轮数选择。最佳 XGBoost 验证结果为 0.09403，最佳 MLP 为 0.10124。整套特征筛选、调参、拟合、预测和报告过程耗时 2,183 秒，也就是 36.4 分钟；运行设备是 NVIDIA RTX PRO 2000 Blackwell Generation Laptop GPU。

这里有一个很实际的教训：一个看起来合理的基线，离最终结果可能很远。提升并不是来自某个“神奇参数”，而是来自多轮受控迭代、保存中间产物、只用验证集做选择，以及最后的模型组合。

第一层：把两条路线分开比较

为了回答主要科学问题，经过微调的 MIST 不应该混入传统模型对照。传统集成模型只组合加入特征工程后的 Ridge、XGBoost 和 MLP，并用验证集预测选择非负权重：XGBoost 59.02%、MLP 40.98%、Ridge 约为 0%。

在共同测试集上，12 个性质的平均归一化 MAE 为：

• 传统集成模型：0.08740；
• XGBoost：0.09434；
• 公开的 MIST 微调模型：0.09506；
• MLP：0.10036；
• 加入特征工程后的 Ridge：0.14984。

最初的二进制 ECFP Ridge 测试结果是 0.37005，说明传统路线在开发过程中发生了多大变化。XGBoost 与 MIST 只差 0.00073；这只是一次数据划分得到的估计值，我会把它解释为接近持平，而不是 XGBoost 取得了决定性胜利。

逐项看 12 个性质，也没有一个模型在所有项目上保持同样优势。与传统集成模型相比，MIST 在偶极矩、HOMO 和 HOMO-LUMO 能隙上误差更低；传统集成模型在另外 9 项上更低，其中一些差距很小。单独与 XGBoost 比较时，MIST 在热容、HOMO、LUMO、能隙和偶极矩上更低。这个误差结构比单一总排名更有信息，因为它说明两类模型学到的规律并不完全相同。

为什么要明确说明报告方式的修正

第一版报告把全模型混合结果放在最前面。作为工程结果，这没有问题；但它把 MIST 混入传统模型对照，反而模糊了“微调模型与传统模型谁更好”这个问题。因此，在看到第一版测试报告以后，我重新定义了主要展示：传统集成模型中不包含 MIST。

这项修正必须明确标为 事后指定（post-specified）。新权重仍然只由验证集预测决定，没有用测试标签选权重；不过，“把它设为主要结果”这个报告决定发生在初始测试结果已经可见之后。所以 0.08740 应被视为透明的探索性估计，而不是事先注册、一次完成的主要分析。

对基准评测来说，记录“什么时候做出决定”和记录“用什么数据做选择”同样重要。

第二层：把所有模型组合起来

独立比较完成后，还可以再问一个系统问题：两类模型的误差是否互补？

由验证集选择权重的全模型集成使用 39.32% MIST、32.72% MLP、27.96% XGBoost 和 0% Ridge，最终达到 0.08116。相对传统集成模型的 0.08740，误差进一步下降 7.1%。这是一个有用的补充结果，说明两类模型预测可能互补，但它不能替代第一层的独立比较。

第一层回答公开的 MIST 微调模型能否匹配经过优化的传统单模型：在这次划分上，MIST 与 XGBoost 很接近。第二层回答组合不同模型是否有帮助：在这次划分上，集成模型继续降低了误差。

哪些地方可能失败

当前结果仍有几条重要边界：

• 只有一个候选随机划分；相似分子可能让随机划分比按分子骨架留出的测试更容易。
• 公开 MIST checkpoint 已经在 QM9 上微调；这次实验无法拆分预训练、微调方法、模型容量和数据接触各自的贡献。
• 12 个标签来自量子化学计算，不能据此宣称模型已经迁移到实验电解液性质。
• MLP 运行出现 CUDA/cuBLAS 逐位确定性警告；保存的预测可以审查，但逐位重跑可能略有变化。
• 即使测试集保持关闭，多组配置之间反复选择仍可能对验证集过拟合。
• 12 项平均值可能掩盖单项失败，所以逐项指标和预测文件仍是实验记录的一部分。

这些限制并不否定当前实验，它们说明下一轮应该怎样设计。

新的论文级实验方案做了什么

我已经实现下一阶段面向论文的评估方案：5 个预先固定的随机种子、分组随机划分与 Bemis-Murcko 骨架划分、保证重复分子不跨集合的分组、配对 bootstrap 95% 置信区间、逐项统计、按分子相似度分层，以及训练时间、推理速度、内存和运行产物记录。所有传统模型和集成权重都会先冻结，再打开测试指标。

目前这套方案只完成了实验基础设施和小规模运行检查，还没有产出新的五种子 MIST 结果。公开的 QM9 微调 checkpoint 被明确禁止直接进入新的数据划分，因为它过去接触 QM9 标签的方式不符合新实验的训练边界。

下一步需要一个能够确认没有使用新划分标签的 MIST 基础 checkpoint。第一组实验会冻结编码器，只训练回归头；第二组会在相同的数据划分和预算下比较 LoRA 加任务头。这样才能开始区分“复用已有分子表示”和“针对目标任务更新模型参数”的贡献。在这些实验完成以前，不应该对微调的因果价值下更强结论。

我的结论

最简洁的结论是：在这次 QM9 数据划分上，公开的 MIST 微调模型达到了经过大量调优的传统单模型水平。传统路线经过特征工程、10 组非线性模型配置和集成后，才得到更低的整体误差；把 MIST 再加入全模型集成，系统结果还可以继续改善。

我认为“接近持平”比宣布一个赢家更值得关注。MIST 展示了一条可复用的建模路线，传统流程则说明针对任务的工程优化仍然很有价值。下一轮实验要回答的是：这种关系在多个随机种子、分子骨架划分，以及受控的“冻结编码器、只训练预测头”和 LoRA 训练下是否仍然成立。

主要资料：MIST 论文、MIST 官方代码仓库、官方微调示例、本次使用的 QM9 checkpoint 和 QM9 数据论文。

独立实验材料：基准评测代码仓库、固定版本的结果报告、汇总结果浏览器 和 基于保存结果的分子预测演示。