清华大学研究团队提出了蛋白质基座模型AMix-1，利用贝叶斯流网络和系统化训练方法，解决了蛋白质设计中的可扩展性和功能优化问题。该模型通过上下文学习和扩展算法，显著提高了蛋白质生成的效率和准确性，为未来的蛋白质设计开辟了新路径。

本研究提出了一种贝叶斯流网络，旨在解决新药设计中生成高于训练空间属性的分布外分子的挑战。该网络能够高效生成高质量的分布外样本，并引入半自回归的训练/采样方法，显著提升模型性能。

本文介绍了基于GFlowNets算法的生成模型策略，提出了优先回放和相对边流策略参数化等方法，以提高样本效率并解决结构学分配问题。同时，研究探讨了贝叶斯流网络和能量生成流网络在概率建模任务中的有效性，展示了这些方法在处理长轨迹和稀疏奖励时的优势。

该论文介绍了贝叶斯流网络（BFNs）及其在生成模型中的应用，特别是在图像建模和语言建模方面的竞争力。同时，探讨了基于随机微分方程的扩散归一化流算法，提出了新颖的变分框架和改进的采样理论，强调了BFNs在非平稳数据生成中的潜力。

该论文介绍了贝叶斯流网络（BFNs），一种新的生成模型，通过贝叶斯推理修改一组独立分布的参数，然后将其作为输入传递给神经网络，输出第二个相互依赖的分布。BFNs 在连续数据、离散化数据和离散数据等方面有效，并在图像建模和字符级语言建模任务中实现了有竞争力的对数似然值。