Search for a command to run...
PLACER（Protein-Ligand Atomistic Conformational Ensemble Resolver，蛋白质–配体原子级构象集合解析器）是由华盛顿大学 David Baker 教授的研究团队于 2025 年 11 月提出的，相关研究成果发表于论文「Modeling protein-small molecule conformational ensembles with PLACER」。
PLACER 是一个图神经网络，该网络能够根据其原子组成和键合的知识，准确生成多种有机小分子的结构，并且给定更大的蛋白质环境描述，构建蛋白质-小分子对接的小分子和蛋白质侧链结构。 PLACER 将广泛适用于快速生成小分子和小分子-蛋白质系统的构象集合，以及设计更高活性的预组织酶。
Search for a command to run...
PLACER（Protein-Ligand Atomistic Conformational Ensemble Resolver，蛋白质–配体原子级构象集合解析器）是由华盛顿大学 David Baker 教授的研究团队于 2025 年 11 月提出的，相关研究成果发表于论文「Modeling protein-small molecule conformational ensembles with PLACER」。
PLACER 是一个图神经网络，该网络能够根据其原子组成和键合的知识，准确生成多种有机小分子的结构，并且给定更大的蛋白质环境描述，构建蛋白质-小分子对接的小分子和蛋白质侧链结构。 PLACER 将广泛适用于快速生成小分子和小分子-蛋白质系统的构象集合，以及设计更高活性的预组织酶。
EGMN 成功捕捉了用户偏好和视频特征之间的潜在交互效应。
MultiPL-MoE 是后预训练阶段扩展低源编程语言的一种有效方法。
基于 GRPO 等微调技术现有局限性，GVPO 作为一种可靠、多功能的后训练范式应运而生。
C2C 通过转换和融合模型间的键值（KV）缓存，实现直接的语义交流。
HiPO 用于自适应 LLM 推理，主要包括混合数据构建和混合强化学习。
CudaForge 是一个简单有效且低成本的用于 CUDA 内核生成和优化的多智能体工作流程。
通义千问团队系统地研究了门控机制在标准 softmax 注意力中的作用。
GTA 在多个文本分类基准测试中均显著优于标准 SFT 基线和最先进的 RL 方法。
Mem-𝛼 在多种基准测试中相较于现有的记忆增强智能体基线取得了显著改进。
EGMN 成功捕捉了用户偏好和视频特征之间的潜在交互效应。
MultiPL-MoE 是后预训练阶段扩展低源编程语言的一种有效方法。
基于 GRPO 等微调技术现有局限性，GVPO 作为一种可靠、多功能的后训练范式应运而生。
C2C 通过转换和融合模型间的键值（KV）缓存，实现直接的语义交流。
HiPO 用于自适应 LLM 推理，主要包括混合数据构建和混合强化学习。
CudaForge 是一个简单有效且低成本的用于 CUDA 内核生成和优化的多智能体工作流程。
通义千问团队系统地研究了门控机制在标准 softmax 注意力中的作用。
GTA 在多个文本分类基准测试中均显著优于标准 SFT 基线和最先进的 RL 方法。
Mem-𝛼 在多种基准测试中相较于现有的记忆增强智能体基线取得了显著改进。
