一句话定位

MACE-MP-0 是把等变架构推上通用势王座的那一次发布——它以约 15M 参数在 MatBench Discovery 拿到当时领先的 F1≈0.72，凭借开源模型、完整微调工作流和活跃社区，成为整个领域的”标准底座”。后续 MACE-MPA-0 用改进的数据配方把 CPS 抬到 0.795。

从架构到通用势：一次生态级的发布

MACE 的架构（多层等变消息传递 + 原子簇展开，见 MACE：高阶等变消息传递与原子簇展开）是 2022 年的事。2024 年的 MACE-MP-0 做的不是架构创新，而是把现有架构放到更大的合并数据集上认真训练：

训练数据：MPtrj + Alexandria 合并集（跨 89 种元素，约 158 万 + 千万级构型）；
架构：MACE 中等配置，约 15M 参数；
发布形态：Hugging Face 权重 + 一键微调脚本 + 社区工作流。

它发布的时机恰逢 MatBench Discovery 榜单成型（Riebesell 等 2023-2025 建立），于是在榜单上成为最早的标杆之一。

MPA-0：改进的数据配方

MACE-MPA-0（2024-12）不是新的架构，而是数据配方的升级：

在 MPtrj + Alexandria 基础上合并了 MP 2022 的原子间距离标注（MPA = MP + Alexandria + MP2022-distance）；
通过更干净的数据混合与训练配置，把 CPS 从 0.637 抬到 0.795，F1 从 0.669 抬到 0.852。

MPA-0 的意义在于示范了数据配方本身是通用势的一等竞争力——同一个 MACE 架构，仅改数据就提升了 0.15 以上的 CPS。这与通用势的数据集版图的结论完全一致。

榜单成绩

在 MatBench Discovery 榜单上（数据截至 2026-09-23）：

指标	MACE-MP-0	MACE-MPA-0
CPS	0.637	0.795
F1（稳定性分类）	0.669	0.852
能量 MAE	0.057 eV/atom	0.028 eV/atom
参数	4.69M	9.06M
训练数据	MPtrj	MPtrj+sAlex+MP2022

为什么说它是生态的奠基者

M3GNet/CHGNet 证明通用势可行，但社区真正”用起来”是从 MACE-MP-0 开始的：

开箱即用：权重托管在 HF，一条命令加载，无需复现论文；
微调范式：从预训练权重出发做下游微调成了标准工作流；
主动学习循环：MP 材料、催化、分子等场景的 AL 框架大量以 MACE-MP-0 为底座；
评测基准化：MACE-MP-0 成为后续所有通用势论文必须对比的基线。

一句话：你可以不喜欢它的分数，但绕不开它定义的玩法。

局限与影响

局限：

参数量被后续模型超越——它 4.69M（或 15M）参数的精度天花板明显；
力质量仍非顶尖——$\kappa_\text{SRME}$ 约 0.65-0.68，远高于后来 eSEN（0.34）与 DPA-4（0.21）的水平；
只在 MP 系数据上训练——分子、催化域不是它的覆盖范围（MACE-OFF 系列才覆盖有机分子）。

影响：

奠定了”预训练通用势 + 微调”的生态范式；
证明等变架构（MACE 系）是通用势的最佳载体之一；
为后续所有冲榜模型提供了清晰基线。

参考文献

Batatia, I., Benner, P., Chiang, Y., Elena, A. M., Kovács, D. P., Riebesell, J., et al. A foundation model for atomistic materials chemistry (MACE-MP-0 / MACE-MPA-0). arXiv:2401.00096, 2024.
Riebesell, J., et al. A framework to evaluate machine learning crystal stability predictions. Nat. Mach. Intell. 7, 836-847 (2025).