我们提出AMix-1，这是一种基于贝叶斯流网络（Bayesian Flow Networks）构建的强大蛋白质基础模型，其性能通过一套系统化的训练方法得以显著提升，涵盖预训练扩展规律、涌现能力分析、上下文学习机制以及测试时扩展算法。为确保模型具备稳健的可扩展性，我们建立了一种预测性扩展规律，并从损失函数视角揭示了结构理解能力的渐进式涌现过程，最终构建出一个参数量达17亿的高性能模型。在此基础上，我们设计了一种基于多序列比对（MSA）的上下文学习策略，将蛋白质设计统一纳入一个通用框架中，使AMix-1能够识别MSA中的深层进化信号，并持续生成在结构与功能上高度一致的蛋白质。该框架成功实现了对AmeR蛋白变体的显著优化，其催化活性最高较野生型提升了50倍。为进一步拓展蛋白质工程的边界，我们进一步为AMix-1引入了一种进化型测试时扩展算法，支持在计算机中实现定向进化，随着验证预算的增加，模型性能获得显著且可扩展的提升，为下一代“实验室闭环”蛋白质设计奠定了坚实基础。