学习蛋白质折叠是否可以推广到更广泛的推理？

大语言模型严重依赖于人类文本，而人类文本通常传达表面答案，而不是其背后的空间和结构逻辑。蛋白质折叠是一个天然的测试平台，因为一个解决的结构会产生数千个精确可检查的空间和拓扑陈述。我们问：学习折叠蛋白质能否教会通用模型可重用的推理能力？为了回答这个问题，我们构建了 FoldingCorpus（一个蛋白质衍生的问答数据集）和 Fold2Reason（一个通过两个互补信号对其进行后训练的配方）：通过模型的母语头部预测的离散结构答案，以及从相同共享表示解码的连续 3D 几何图形。在 FoldBench 上，Fold2Reason 的结构预测分数是 Qwen3.5-9B 的 2.7 至 3.5 倍。除了蛋白质结构预测之外，它还提高了涵盖空间、图形、科学和一般推理的所有 10 个基准的性能，将宏观平均准确度从 45.09% 提高到 48.33% (+3.23 pp)，在所有 10 个基准上都取得了正收益，而从随机、合成和改组结构构建的匹配控制则产生了小得多的收益或负收益。我们的工作表明，非语言的、结构密集的科学数据可以系统地改进语言模型中的广泛推理，使已解决的科学问题成为训练后监督的实用来源。