一个模型，5亿次量子化学计算，横跨分子、催化、材料三大领域。不需要微调，不需要领域特化，在多个基准上直接超越所有专精模型。
这不是科幻，这是Meta FAIR团队刚刚开源的FAIRChem v2和UMA模型。
2026年7月，Meta FAIR在其官方GitHub上发布了FAIRChem v2版本，同步更新的还有UMA系列模型的最新权重和Hugging Face模型库访问权限。这条消息没有像Sora关停或DeepSeek融资那样刷爆科技热搜，但对于从事计算化学、材料科学和药物研发的人来说，这可能是2026年最重要的AI发布之一。
原因很简单：UMA可能是迄今为止最接近AI for Science的GPT时刻的东西。
从每个领域一个模型到一个模型管所有
过去十年，AI在自然科学领域的应用遵循一条清晰的路径：每个细分领域训练一个专用模型。催化有一个OC20模型，分子有一个OMol25模型，无机材料有一个OMat24模型，金属有机框架有一个ODAC25模型，分子晶体有一个OMC25模型。每个模型在自己的领域内表现优秀，但换一个任务就几乎废掉。
这就像让一个精通化学的博士生去算材料力学——知识不迁移，从头学起。
UMA的突破在于，它用一套统一的神经网络架构，在同一个训练流程中消化了来自五大领域的超过5亿个3D原子结构数据。这使其成为迄今规模最大的原子级AI训练项目。
Meta FAIR Chemistry团队在论文中写道，UMA模型无需任何微调，在多个领域的多样任务上就能表现与专用模型相当或更优。这不是一句客套话——在Matbench Discovery排行榜上，UMA-Medium的F1得分达到0.930，刷新了材料发现领域的AI预测上限；在催化吸附能计算基准AdsorbML上，UMA-Large使成功计算的吸附能结构数量提升了25%。
MoLE架构：参数1.4B，但每次只激活50M
UMA真正的技术王牌，藏在它的架构设计里。
团队提出了一种名为混合线性专家的全新架构。与传统混合专家模型不同，MoLE用线性变换替代了复杂的非线性专家网络，使得模型在推理时极其轻量。MoLE的关键创新在于，路由权重仅依赖于全局系统属性，这些属性在推理过程中不会改变。因此，MoLE可以在推理前将专家权重预合并为单一有效权重矩阵，使推理成本与标准稠密模型相当，同时保留了模型容量的扩展能力。
以UMA-Medium为例：总参数14亿，但每次处理一个原子结构时，实际激活的参数只有约5000万，不到总量的3.6%。对于计算化学这类需要反复迭代推理的场景——比如分子动力学模拟通常需要数百万步——这种设计带来的速度优势是压倒性的。
UMA-Small更是将效率推到了极致：6.6M活跃参数，290M总参数，在保持SOTA精度的情况下成为最快推理选项。在单张Nvidia H100 GPU上，UMA-Small可以模拟超过10万个原子的系统，以每秒16步的速度运行1000原子分子动力学模拟，相当于每天模拟1.4纳秒的物理过程。这也是FAIRChem v2教程中默认使用的模型版本。
Meta团队还开发了经验性的缩放定律，用于指导模型容量与数据集规模之间的最优匹配。实验表明，在测试的计算预算范围内，模型性能呈对数线性缩放。这意味着随着未来数据量的增长，UMA的架构天然具备扩展弹性。
一次安装，打通计算化学全流程
FAIRChem v2的另一大亮点，是大幅降低了使用门槛，同时伴随着一次重大的架构重构——v2版本与v1版本不兼容，旧版预训练模型无法直接迁移。
用户只需安装fairchem-core包，通过Hugging Face认证获取UMA模型权重，然后用三行代码即可初始化分子、催化和材料三个领域的计算器。同样一套预训练权重，可以完成单点能量与力的预测、分子几何优化、自旋态对比、反应能估算、振动分析、表面吸附、晶体晶胞弛豫、状态方程拟合、分子动力学模拟，以及势能面扫描——几乎涵盖了计算化学的所有核心工作流。
FAIRChem v2深度集成了ASE，这是一个广泛使用的原子模拟开源框架。用户可以直接使用ASE的优化器、约束条件、热力学计算和轨迹分析工具，将UMA模型无缝嵌入已有的工作流中。UMA-Medium在分子配体应变能预测中达到了化学精度，低于2.45 meV每原子，这意味着它的预测误差已经小于许多实验测量的不确定度。
这正是Meta FAIR的聪明之处：不重新造轮子，而是让AI模型成为现有工具链的加速器。
开放科学战略：为什么Meta免费放出最具价值的模型？
UMA和FAIRChem v2的开源，并非一次孤立的技术发布。它是Meta FAIR开放科学战略的延续——从LLAMA系列大语言模型到Segment Anything视觉模型，再到今天的UMA。
2025年5月，Meta FAIR Chemistry团队首次发布了OMol25数据集，包含超过1亿个量子化学计算，以及UMA模型系列。此后团队持续迭代，到2026年7月FAIRChem v2发布时，模型已经升级到uma-s-1.2版本，在多个基准上实现了更优的精度。
为什么Meta愿意把耗费数亿美元计算资源训练出的模型免费开源？
答案可能有三层。第一层，Meta的核心业务是社交网络和广告，计算化学的AI工具不会直接威胁其商业模式，开源反而能赢得学术界和产业界的好感。第二层，UMA的底层技术——MoLE架构、缩放定律、大规模多域训练——可以迁移到Meta关心的其他AI领域。第三层，通过开源建立生态，让FAIRChem成为AI for Science领域的事实标准，就像PyTorch在深度学习领域的地位。
这三点合在一起，构成了Meta在AI for Science赛道的长期布局。
从替代DFT到超越DFT还有多远？
UMA的终极目标，是替代密度泛函理论计算。DFT是计算化学的黄金标准，但它的计算成本极高——模拟一个中等尺寸的分子系统可能需要数小时甚至数天。AI模型可以在毫秒级完成同样精度的预测。
但UMA并非没有局限。它仍然受限于训练数据的覆盖范围——尽管5亿个结构已经很大，但化学空间几乎是无限的。对于一些罕见的化学元素组合或极端条件下的反应路径，UMA的预测精度仍有待验证。其次，UMA目前主要提供的是能量和力的预测，而许多实际应用需要更丰富的信息，如电荷分布、轨道能量、光谱性质等。论文也坦诚地指出了当前模型的局限性：6Å的短程截断限制了长程相互作用的描述，固定的电荷和自旋嵌入限制了向新量子态的泛化。
不过，FAIRChem v2的模块化设计已经为这些问题预留了扩展空间。用户可以通过fine-tuning或task-specific head来补充模型的能力边界。
一位Rowan Sciences的用户在内部评测中写道，OMol25/UMA模型提供了比我负担得起的DFT计算级别好得多的能量预测，并且让我能够计算以前从未尝试过的超大系统。另一位用户称之为AlphaFold时刻。
如果说AlphaFold让蛋白质结构预测从年变成小时，那么UMA正在做的事情，是把整个计算化学的模拟速度从天带到秒。
一个模型，统治所有原子。这不只是一个技术口号，它正在成为Meta FAIR手中的现实。而真正值得关注的是，当AI for Science的基础模型终于出现，这个领域将迎来怎样的范式转移。
快报