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。

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

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

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。