Когда имеющаяся разметка для обучения языковых моделей подзакончилась, приходится изощряться. Вот авторы предложили использовать данные геометрии белков, надеясь, что модель и отсюда научится какому-то размышлению. Чему-то таки она научилась. Так что занимайтесь спортом, чтобы и музыка прокачалась. И наоборот :) Does Learning Protein Folding Generalize to Broader Reasoning? Yong Liu, Zhanpeng Shi, Yizhou Dang, Zhongyue Zhang, Xiaoliang Shi, Zhijian Wei, Shuangjia Zheng Paper: https://arxiv.org/abs/2609.38879 Review: https://arxiviq.substack.com/p/does-learning-protein-folding-generalize Code: https://github.com/GENTEL-lab/Fold2Reason Model: N/A ЧТО сделали: Собрали FoldingCorpus — датасет вопросов и ответов по геометрии белков из 14 400 примеров с 12 детерминированными операторами. Предложили метод постобучения Fold2Reason, обновляющий языковую модель через кросс-энтропию на дискретных ответах и декодирование непрерывных координат через замороженную голову. На инференсе геометрические модули полностью убирают. ЧТО получили: Макроточность Qwen3.5-9B на десяти бенчмарках выросла с 45.09% до 48.33% (+3.23 процентных пункта), тогда как контроль со случайным перемешиванием просел до 44.82% (-0.27 п.п.). На бенчмарке биомолекулярных структур FoldBench метрика contact F1 выросла с 3.05% до 6.90%. ПОЧЕМУ это важно: Проверенные физические структуры могут улучшать небиологические рассуждения без синтетических текстов. Однако прирост в основном сосредоточен в специфических пространственных задачах и совершенно не переносится на Gemma-4-12B-IT. Прокачивать рассуждения тут: https://t.me/gonzo_ML_podcasts/4831