本文转载自“深势科技 DP Technology”微信公众号

编者按

近日，京津冀国家技术创新中心培育的高科技企业北京深势科技有限公司（简称“深势科技”）作为核心贡献者，与北京科学智能研究院、北京大学、北京应用物理与计算数学研究所等合作伙伴联合推出面向大原子模型（LAM）时代的新一代模型架构 DPA4。在材料发现领域国际权威榜单 Matbench Discovery 与小分子基准 SPICE-MACE-OFF 上，DPA4 均取得了新的 SOTA 成绩，双双位列世界第一。

大原子模型的竞争，正在从“谁更大”转向“谁更强、更快、更便宜”。

近日，深势科技作为核心贡献者，与北京科学智能研究院、北京大学、北京应用物理与计算数学研究所等合作伙伴紧密协作，依托开放协同的科研合作生态，联合推出面向大原子模型（LAM）时代的新一代模型架构 DPA4。

在材料发现领域国际权威榜单 Matbench Discovery 上，DPA4 以综合性能指标 CPS 位列世界第一，成为最新 SOTA 模型。

更值得关注的是，DPA4 并不是靠堆参数、堆算力登顶。相比此前领先模型 eSEN 需要 300 余 GPU days 的训练成本，DPA4 理论上仅需 一张 RTX 5090 训练约一天，即可达到同等级精度；同时参数量不到 eSEN 的十分之一。

也就是说，过去需要“超级算力预算”才能触达的 SOTA 精度，现在有机会被压缩到一张消费级显卡上完成。DPA4 正在重构大原子模型的“精度-效率”帕累托前沿。

Matbench Discovery 官方截图，数据截至 2026 年 5 月 22 日

DPA4 采用局部坐标系下的 SO(2) 等变线性算子结合注意力机制的设计，在严格满足平移、旋转、排列对称性与能量守恒的前提下，大幅压缩了等变计算的开销，并在世界范围内率先实现机器学习势函数的compile训练，将训练速度提升 2-3 倍。在材料发现领域国际权威榜单 Matbench Discovery 与小分子基准 SPICE-MACE-OFF 上，DPA4 均取得了新的 SOTA 成绩，双双位列世界第一。

尤为突出的是，DPA4 在预测精度与训练成本上同时达到了全新的帕累托前沿：理论上仅需单张 RTX 5090 显卡训练约一天，即可达到 eSEN 此前耗费 300 余 GPU days 才能实现的精度水平，并且参数量不到后者的 1/10；而在相同精度下，其训练效率较上一代 DPA3 进一步提升约 10 倍。

DPA4重构大原子模型“精度-效率”帕累托前沿（含其余Direct Force预训练模型）

目前 DPA4 已面向 Deep Modeling 社区开放尝鲜，论文与正式版本将于后续陆续开源，欢迎广大研究者持续关注并加入文末微信尝鲜群交流。以下为详细的DPA4介绍。

01  DPA4 模型结构：局部坐标系下的SO(2) 等变设计

长期以来，等变模型为了在全局坐标系下保持旋转对称性，必须依赖 Clebsch–Gordan 张量积来耦合不同阶的几何特征，其计算复杂度随角动量阶数 急剧增长（约 ，这正是高精度等变模型计算昂贵的根本原因。

DPA4 的核心思路是：与其在全局坐标系下承担昂贵的张量积，不如把对称性"约化"到更简单的子群上处理。具体而言，对每一条原子间的边，DPA4 都构造一个光滑的局部坐标系，将该边方向对齐到统一的参考轴。在这一局部坐标系中，原本需要在整个 SO(3) 群上处理的旋转等变性，被约化为仅需在绕轴旋转的 SO(2) 子群上处理——而 SO(2) 是阿贝尔群，其等变线性映射具有极为简洁的分块结构。由此，昂贵的 SO(3) 张量积被等价地替换为高效的 SO(2) 等变线性算子，在严格保持完整旋转等变性的同时，将角向计算的开销大幅压缩。

在此基础上，DPA4 进一步引入注意力机制完成邻居信息的聚合：模型能够根据局部几何与化学环境，自适应地"关注"对中心原子最关键的相互作用，从而在紧凑的参数规模下获得强大的表达能力。整个模型严格满足平移、旋转、排列对称性与能量守恒，物理一致性得到完整保证。

除算法层面的设计外，DPA4 在工程实现上同样面向效率优化：

• 原生 torch.compile 支持：模型从设计之初即对编译友好，可直接借助 torch.compile 获得显著的端到端加速，无需额外改写。

• 原生 ZBL 短程势：DPA4 原生集成 ZBL 排斥势，平滑衔接近距离的物理行为，使模型在高压、辐照、缺陷等极端构型下更加稳健可靠。

DPA4模型结构

02  Matbench Discovery与 SPICE-MACE-OFF双双登顶

材料发现：Matbench Discovery 世界第一。 Matbench Discovery 由加州大学伯克利分校、剑桥大学等顶尖机构发起，是全球 AI 驱动无机材料发现领域最具影响力的动态基准榜单，被公认为衡量材料科学智能模型性能的国际金标准。它摒弃了简单的静态数据拟合，转而通过前瞻性测试机制，要求模型预测数十万种未知晶体的热力学稳定性，真实还原科研探索的全过程；其评价体系不仅考察能量与力的预测精度，还综合 F1 分数、发现加速因子等多项指标，最终汇聚为综合性能分数 CPS。在汇集了 Meta、微软及全球顶尖高校最强模型的同台竞技中，DPA4 以 CPS 综合性能位列世界第一，成为最新的 SOTA 模型。

Matbench Discovery官方截图，数据截至2026年5月22日

小分子：SPICE-MACE-OFF 同样领先。 DPA4 的优势并不局限于无机晶体。在分子领域的权威基准 SPICE-MACE-OFF 上，DPA4 以更低的参数量取得了新的 SOTA 成绩，力压此前的领先模型 eSEN，位列第一。从晶体材料到有机小分子、从能量到力的预测，DPA4 展现出跨体系、跨领域的一致优越性，进一步印证了其作为通用势能面模型的潜力。

SPICE-MACE-OFF 表现

03  效率对比：重构“精度-效率”的帕累托前沿

如果说"双榜第一"证明了 DPA4 的精度，那么真正使其与众不同的，是它拿下这一精度的代价之低。

在以往，登顶榜单往往意味着更大的参数规模与更高的训练成本。DPA4 则在精度与训练成本这两个维度上同时刷新了帕累托前沿：

• 训练成本：理论上仅需 单张消费级 RTX 5090 显卡、训练约一天，即可达到此前榜单 SOTA 模型 eSEN 耗费 300 余 GPU days 才能实现的精度水平；

• 参数规模：在相同 CPS 下，DPA4 的参数量不足 eSEN 的十分之一；

• 代际提升：在相同精度下，DPA4 的训练效率较上一代 DPA3 进一步提升约 10 倍。

 DPA4重构大原子模型“精度-效率”帕累托前沿

想要达到数量级的效率提升离不开工程上的优化，torch.compile 在普通的AI模型训练中是一个相对免费的提升，但是在机器学习势的训练中，力是能量的导数，因此势函数的训练离不开 double backward，而 compile 却不支持 double backward，因此长期以来，在机器学习势的训练中只能通过不断增大 batch size 来最大化 GPU 的利用率。DPA4 在世界范围内率先实现原生支持 torch.compile 编译的训练加速，并通过 autocast 到 bf16 精度实现显存的大幅降低，为单卡训练更大的模型提供了基础。

DPA4 开启 compile 以及 amp 的训练时间以及峰值显存占用对比

这一结果意味着，在同等算力预算下，研究者能够更快地完成训练与迭代、模拟更大尺度与更长时间跨度的微观过程。DPA4 把大规模、高通量的原子模拟，从"算力奢侈品"真正带入了"日常可用"的范畴，对电池材料、催化剂设计、半导体探索等领域具有重要的应用价值。

04  总  结

DPA4 是面向大原子模型（LAM）时代设计的新一代通用势函数架构。它通过局部坐标系下的 SO(2) 等变线性算子与注意力机制的协同设计，在严格满足物理对称性与能量守恒的前提下，大幅降低了等变计算的开销，并辅以原生 torch.compile 加速与原生 ZBL 支持，在工程层面进一步释放了性能。

在材料发现榜单 Matbench Discovery 与小分子基准 SPICE-MACE-OFF 上，DPA4 双双登顶世界第一，并在精度与训练成本上同时达到了全新的帕累托前沿——以不足十分之一的参数量、单卡一天的训练成本，匹敌乃至超越了昂贵的大模型。DPA4 有力地证明：高精度与高效率，从来不是一道单选题。

DPA4 的持续演进，离不开深势科技长期构建的“产学研”开放生态。围绕 Deep Modeling 开源社区，深势科技持续联动高校、科研院所、开发者与产业伙伴，将前沿算法研究、开源工具链建设、真实产业场景验证和社区协同创新连接起来，推动 AI for Science 从方法突破走向可复用、可扩展、可落地的基础设施。通过开源模型、开源软件、开放交流与开放协作，深势科技希望与全球研究者共同降低科学计算与创新的门槛，加速大原子模型时代的到来。

目前 DPA4 已面向 Deep Modeling 社区开放尝鲜，论文与正式版本将于后续陆续开源。在走向大原子模型时代的征途上，开源开放始终是我们坚持的主题，欢迎广大研究者持续关注，并加入交流、共同探索。

主要开发者及单位：

李天成（北京大学，北京科学智能研究院）

薛建明（北京大学）

张林峰（深势科技、北京科学智能研究院）

张铎（北京大学，北京科学智能研究院）

王涵（北京应用物理与计算数学研究所）

   诚邀加入大原子模型计划，添加管理员微信，加入微信尝鲜群交流切磋

关于深势科技

深势科技是全球 AI for Science 开拓者和引领者，是国家高新技术企业、国家专精特新“小巨人”企业，在北京、上海、深圳等城市布局研发中心。依托在交叉学科领域的深耕，构建了“深势·宇知”AI for Science 大模型体系，并进一步解决科学研究和工业研发领域的关键问题，将众多学科的科研方法从“实验试错 / 计算机”时代带入了“预训练模型时代”，形成AI for Science 的“创新-落地”链路和开放生态，构建基于AI for Science的微尺度工业基础设施，赋能“千行百业”，为人类经济发展最基础的生物医药、能源、材料和信息科学与工程研究打造新一代研发系统。