原始发布日期:2026-11-02。腾讯混元Hyra项目公开HyFF机器学习原子间势能模型,包含presto、vivace、moderato、andante和largo五档权重、`hyff` Python包与技术报告。模型从230万参数扩展到12亿参数,覆盖氢到铋的83种元素,并把体系总电荷和自旋多重度作为输入;代码与仓库采用Apache-2.0许可,权重通过仓库release按需下载并校验SHA-256。
五个模型都以平滑、守恒的消息传递势能为基础,原子特征包含标量、向量和二阶笛卡尔张量,力由能量的精确负梯度得到。较小三档通过增加宽度、深度和4.5至8埃截断范围扩展;andante和largo加入边框架混合模块,largo还加入总电荷/自旋的注意力嵌入和潜在电荷静电项。模型均在OMol25上训练。
发布方在OMol25完整验证集2,762,021个结构上报告精度:presto到largo的力MAE依次为47.7、33.5、16.5、7.65和5.79 meV/Å,能量MAE依次为5.78、4.36、1.36、0.620和0.364 meV/atom。andante的力误差接近UMA-S-1.2的7.55 meV/Å,largo的能量误差低于对照DPA4-Pro的0.380 meV/atom;这些都是同一发布方组织的比较,尚不能视作独立验证。
速度测试使用单张NVIDIA H20,在2,586原子的水合体系上运行1 fs、带键约束的NVE分子动力学,并计入邻居表重建。presto为0.71毫秒/步、121纳秒/天,andante为29.5毫秒/步、2.9纳秒/天,largo为125毫秒/步、0.69纳秒/天。项目称andante相对UMA-S-1.2快29倍,largo相对DPA4-Pro快9.7倍,但硬件、软件和系统条件必须一起保留,不能跨平台直接外推。
软件环境记录为Python 3.12、PyTorch 2.7.1、CUDA 12.x和Triton 3.3.1,其他GPU未测试。包支持单结构推理、批量预测,以及GPU上的NVE、NVT和NPT分子动力学;CPU可做单结构推理。文档也提示首次运行会编译内核,largo可能耗时数分钟,当前不支持应力输出,权重下载体积从9.3 MB到4.81 GB不等。
量仔观察
HyFF的工程价值在于把同一训练分布下的速度—精度阶梯、权重和可运行MD工具一起交付,使研究者能按体系规模与误差容忍度选择档位,而不是只能接受一个超大模型。实际采用仍需在目标化学空间复核能量守恒、长时间轨迹稳定性、外推结构和不同GPU表现,并与经典势能或DFT基线做任务级验证。开权重与Apache代码降低了审计门槛,但训练数据许可、模型失效区域和厂商自测偏差仍应单独评估。