通用势模型巡礼：从MACE-MP-0到UMA
引言
数据集（ 通用势的数据集版图 ）和榜单（ 通用势的竞技场：MatBench Discovery与OC20 ）都铺好了，这篇文章盘点场上的选手。按时间和技术形态，通用势可以粗分为三代：验证可行性的第一代、专注冲榜的第二代、追求跨域基础模型的第三代。
第一代：开箱即用的验证者
M3GNet（Chen & Ong, 2022）和 CHGNet（Deng et al., 2023）是公认的第一代通用势。M3GNet用Ong组的graph network架构在MP数据上训练，第一次证明”一个模型覆盖全周期表”不是天方夜谭；CHGNet则加入了电荷/磁序预测，能感知氧化态变化，对锂离子电池材料尤其友好。
真正的分水岭是 MACE-MP-0（2024）：剑桥团队把 MACE：高阶等变消息传递与原子簇展开 的架构放到MPtrj+Alexandria合并集上训练，发布即成为社区默认选择——它以约15M参数在MatBench Discovery拿到当时领先的F1≈0.72，且力质量明显优于前两者。MACE-MP-0的意义不在分数而在生态：微调工作流、主动学习循环、各类下游应用从此有了标准底座。
同期还有Meta的 eqV2（EquiformerV2直接当通用势用），它率先示范了”大参数量+大数据”路线的威力。
第二代：冲榜军团
等变系：GRACE与TACE
GRACE（Bochkarev, Lysogorskiy & Drautz, Ruhr-Universität Bochum）走的是一条聪明的中间路线：用ACE（原子簇展开）框架下的可学习径向基函数替代昂贵的CG张量积，保持等变性的同时把推理速度提高了数倍。GRACE-1L/2L系列以极小参数量长期霸榜性价比之王；最新的GRACE-3L-OAM-L已冲进CPS前五（0.900）。
TACE则是高阶张量积路线的正统进化，82.9M参数的TACE-OAM-L拿下0.889 CPS。它们共同说明：等变架构在大数据时代依然有一战之力，关键在于算子的效率。
非等变系：PET与ORB
这是冲榜军团里最”离经叛道”的一支。PET（Point Edge Transformer）和 ORB v3完全放弃显式等变约束，用纯Transformer直接处理点云，靠大规模数据和随机旋转增广来隐式满足对称性。
结果出乎很多人的意料：PET-OAM-XL以730M参数拿到CPS 0.898（第五），ORB v3以25.5M参数拿到0.860。虽然PET的参数效率惨不忍睹，但它证明了等变性是充分条件而非必要条件——只要数据管够，暴力也能出奇迹。这与视觉领域”ViT战胜归纳偏置”的剧本如出一辙。
DP家族：DPA系列
深势科技（DeepModeling）的DPA系列是中国力量的代表。DPA-1/2延续了DeePMD的描述符-拟合器架构，DPA-2引入多任务预训练+下游微调范式；DPA-3则在OpenLAM计划的1.63亿构型上训练，DPA-3.1-3M-FT以仅3.27M参数拿到0.802 CPS——参数效率全场最佳之一。DP家族的独特优势在于其极致的并行工程能力：十亿原子级模拟的世界纪录至今仍在他们手中。
SevenNet-Omni与COSMOS
KAIST的SevenNet从NequIP出发做了并行化改造，主打GPU集群上的大规模MD。它的旗舰SevenNet-Omni-i12用 通用势的数据集版图 里介绍的COSMOS数据集（十五库合一、2.43亿构型）做多任务训练，CPS 0.873。它是”COSMOS配方”的第一个成功案例，也宣告了数据整合时代的到来。
第三代：基础模型的野心
2025年，Meta发布了 UMA（Universal Models for Atoms, Wood et al.）——目前最接近”力场界GPT”的存在。UMA以eSEN风格架构为骨干，在OC20/OC22、OMol25、OMat24、ODAC23等多个域的数据上联合训练，通过任务特定的适配头实现跨域切换，分为Small/Medium两档规模。
UMA试图回答的问题是：催化、晶体、分子、界面这些域之间到底有没有可迁移的物理？目前的证据偏向乐观——UMA在单个域内不总是SOTA，但作为零样本起点几乎没有短板，配合少量微调就能快速逼近专用模型。这正是基础模型商业逻辑在科学计算中的复刻：与其每个任务从头训练，不如先拿一个通用底座再低成本定制。
如何选型
给实践者的速查建议：
| 场景 | 推荐 | 理由 |
|---|---|---|
| 无机晶体高通量筛选 | EquiformerV3/eSEN (OAM) 或 GRACE-3L | 榜单头部、速度快 |
| 快速原型/教学 | MACE-MP-0 / CHGNet | 生态成熟、开箱即用 |
| 大规模MD（百万原子+） | SevenNet / DPA / GRACE | 并行效率优先 |
| 高温高压相图 | MatterSim | 温压覆盖独一档 |
| 有机分子/生物体系 | OMol25系模型 / UMA + 微调 | 杂化泛函精度 |
| 精度敏感的定制任务 | 任意OAM模型 + 少量DFT微调 | 微调收益巨大 |
最后强调一个所有表格都无法涵盖的事实：这个领域的保质期以月计。本文写作时榜首是TECE，你读到时可能已经易主三次。真正不会过时的，是这条技术脉络本身——架构如何演化（ 不变神经网络：从SchNet到GemNet → 等变神经网络：原理与脉络 ）、数据如何积累、评测如何进化。理解了脉络，每一批新模型都只是旧旋律的新变奏。
不过，架构、数据与评测之外，还有最后一根设计轴值得单独一讲：这些模型训练时所用的优化器。Adam的一统天下正在被Muon与SOAP撼动，故事见 优化器：从SGD、AdamW到Muon与SOAP 。
