深度原理 MPA 把 LLM 三段式訓練移植材料模型，40 個工業任務全取 SOTA

深度原理（Deep Principle）釋出材料基座模型 MPA（Materials Property Axiom），直接借用大語言模型預訓練／中期訓練／後訓練三段式配方做材料性質預測。消融對照顯示，完整流程在 40 個真實工業實驗資料集上，隨機劃分平均誤差較無中期訓練版本降低 14.0%，骨架劃分降低 14.6%，40 個任務中 38 個指標改善。

兩項核心創新均在訓練流程。其一：在預訓練與微調之間插入中期訓練（mid-training），以第一性原理計算資料執行「物理對齊」（physics-guided alignment），讓模型從辨識分子結構（鍵長、環形幾何）跨越到掌握生成焓、偶極矩等物理規律，補上理論計算到實驗數據的概念鴻溝。其二：後訓練採用 Hybrid Readout 混合頭，注意力池化路徑（適合沸點、生物活性等與分子大小無關的性質）與原子加和路徑（適合燃燒焓、熱容等逐原子累加的性質）並行，由可訓練參數 α 動態分配權重。

AI4S 模型在計算理論榜刷高分、進實驗室卻系統性失靈是長期痛點，根因在於訓練資料全是無噪聲的完美計算值，模型從未面對工業實驗的雜訊與任務特異性。MPA 的示範意義不在「材料版 AlphaFold」，而在於 LLM 社群打磨多年的訓練配方（尤其是用中等任務做概念對齊的 mid-training 邏輯）正在外溢到科學基座模型。這個 pipeline 的可複製性，比單一榜單數字更值得工程師拆解。