一句话看懂：alphaXiv 上公布的论文 ProTok 提出用产品量化把蛋白质的结构、序列、功能映射到同一套离散词表，单个检查点即可在缺少部分模态时推理，在 28 个结构分词器评测划分中拿下 21 项第一。
事件核心：发生了什么
论文 ProTok 于 2026 年 10 月 13 日发布。它使用四个冻结的预训练编码器，分别处理全局结构、局部几何、序列和功能，每类信息各配一组四个码本，经产品量化后每残基得到 16 个并行编码，再融合成一条残基级 token 流。训练时引入模态 dropout：随机保留部分模态组合，其余替换为掩码 token，共享解码器需从剩余信息重建结构、序列和功能目标。作者在七个 StructTokenBench 基准、14 项任务、28 个测试划分上评测，ProTok 结构 token 平均排名 1.4，21 个划分第一、27 个进入前二；CATH 4.2 重建 lDDT 达 0.939。需要说明的是，以上数据均来自论文摘要与页面，尚不代表已上线的产品功能。
为什么重要
现有蛋白质分词器通常按模态独立编码，结构、序列和功能之间的互补信息留给下游模型自己对齐。ProTok 的思路是让三类信息共享一个离散词表，并用模态 dropout 让同一检查点支持不同输入子集，无需为每种模态组合重新训练。这为蛋白质语言模型提供了一条“统一 token 流”的技术路线，可能降低多模态训练与推理的组合成本。从评测看，多模态联合训练确实让结构 token 在功能检索任务上领先基线，但论文也承认并非每项都第一，例如 BioLIP2 催化位点预测中 DPLM-2 的 AUROC 为 88.37%，高于 ProTok 的 85.79%。
对用户/开发者/创作者的影响
对做蛋白质 AI 的开发者，ProTok 的吸引力在于一个检查点可覆盖结构、序列、功能多种推理模式，能减少为不同模态组合维护多套模型的工程负担；对下游应用而言，统一 token 流可能简化蛋白质检索、功能注释和生成流程的接口设计。生成方面，论文用一个从零训练的小型语言模型在 ProTok token 上同时生成骨架和序列，采样骨架可设计率为 52%，参数匹配的 GeoBPE 基线为 21%。不过目前公开信息显示这仍是论文阶段的结果，尚无开源权重、API 或商业产品的落地信息，实际可用性需要等待代码和模型释放。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 ProTok 的代码、权重和许可证是否会开源，这决定开发者能否真正复现与集成。二是多码本量化的推理开销和显存占用是否适合实际部署，论文只给出结构 token 的效果，未披露完整效率数据。三是统一 token 流能否被更多蛋白质大模型采用，以及 StructTokenBench 之外的评测是否会出现性能反转。
来源：alphaXiv
