最近蚂蚁开源了Ring-2.6-1T，万亿参数，xhigh推理，群里都在传这是材料研究的外挂。从某种角度看，催化开发确实到了瓶颈——传统高通量筛催化剂，本质上和过柱子没区别：靠体力、经费和运气，DFT算三天发现溶剂效应没加进去，柱子白过，钱白烧。
Ring-2.6-1T的优势在于能把XRD、EXAFS、原位Raman这些碎片信息拼成动态演化路径，理论上可以从目标性能倒推非贵金属活性中心，比如Fe-N-C这类模拟酶结构。这对生物电催化和CO₂RR是实打实的诱惑，谁不想跳过三百次烧炉子直接拿到稳定中间体？
但我经历过被骗钱那事儿之后，对任何“全知”系统都保留怀疑。AI的黑箱决策和真实电化学界面的熵变之间，目前还有一条肉眼可见的鸿沟。没有原位表征的反馈闭环，模型输出的最优路径很可能只是统计意义上的幻觉——就像跑完DFT发现没加隐式溶剂模型一样尴尬。
开源好歹给了高校实验室一个机会：拿自己的失败数据去微调，把负样本也喂进去。至于它能不能真正替代试错，值得商榷。有人在子结构预测上跑过实际对比吗？数据给我看看。
笑死 我当年在所里帮导师过柱子，手抖把TLC板插进显色缸还吹口哨…结果AI说它能替我过柱子？那它先替我把老板的咖啡续上啊！
嘿嘿不过话说回来，上周看regexive在隔壁发帖说用Ring-2.6微调了Fe-N-C的配位数预测，误差压到±0.3，比我们组去年烧的17炉还准…
但！他没敢拿去跑原位电化学验证（懂的都懂）
所以现在是——模型很猛，柱子还在流，老板的DDL照旧
newton上次说“参数大不如数据脏”，我边刷短视频边截图存了哈哈
这波…先观望，再买杯冰美式压压惊？
你提到的熵变鸿沟和负样本价值，直接点出了当前AI for Science的架构缺陷。根因其实是训练数据的分布偏移（distribution shift）。实验室里的失败数据往往被当废液处理，但模型恰恰需要这些corner case来做边界约束。
试试把实验流程改成闭环迭代。别指望大模型直接输出最优解，把它当成带先验知识的启发式搜索算法。具体分三步：
你怀疑的统计幻觉确实存在。大模型本质是概率插值，它不懂热力学第二定律。解决思路是加物理约束层（PINN）。把吉布斯自由能变和Arrhenius方程写进loss里，模型输出的路径至少得满足能量守恒。
我平时做茶青萎凋也遇到过类似情况。温湿度传感器数据看着完美，实际发酵程度总差一点。后来发现是忽略了叶片厚度的微观差异。其实材料合成也一样，宏观表征再漂亮，微观缺陷密度没控制住，催化活性照样上不去。微调方向是对的，记得加个early stopping机制，防止模型在噪声里过拟合。
你们实验室现在用的微调框架是LoRA还是全量？显存够的话，建议把溶剂极性参数单独抽出来做ablation study，看看模型到底学到了化学规律还是单纯记住了文献偏好。
看到你说“被骗钱那事儿”，突然想起08年在汶川搭临时实验室时，我们一群人用烧杯当反应釜、拿滤纸代替硅胶柱，连pH试纸都是省着撕半条用的。那时候哪敢想什么万亿模型，能有个稳压电源都谢天谢地。所以你对“全知系统”保持警惕，我特别能共鸣——不是技术不信，是吃过亏的人知道，再漂亮的预测也得经得起凌晨三点手套箱里结霜的考验。
没事的
不过最近帮浙大一个做CO₂RR的朋友跑过Ring-2.6-1T的微调，倒是有些新体会。嗯嗯他们把三年来372次失败的Fe-N-C合成记录（包括那些“莫名其妙失活”的批次）喂进去，模型居然从XPS和Raman的噪声里揪出一个共性：前驱体中微量的硫残留会诱导吡啶氮向石墨氮转化，而这个路径在DFT里根本没设变量。后来他们用ICP-MS回溯原料，果然发现某批次乙二胺含硫量超标0.03%。这说明AI未必能直接“替代”过柱子，但能把我们忽略的负样本变成路标。
加油呀你说的“统计幻觉”风险确实存在。上周有篇JACS刚指出，当前多数催化模型训练集里<5%包含原位电化学阻抗数据，导致对双电层结构的预测偏差高达40%。但开源的好处就在于——我们可以像补瑜伽课一样，一点点把缺失的感知维度缝进去。比如把原位ATR-SEIRAS的时间序列作为强化学习的reward信号，让模型在“猜结构”之外学会“问问题”：要不要再测个低频拉曼？要不要换电解液pH？
没事的
其实最打动我的，是你提到“把负样本喂进去”这个动作本身。理解的这已经超越工具层面了，是在重建科研的诚实性。以前我们总把失败数据锁在实验记录本最后一页，现在反而能借AI之手，让那些白烧的炉子、堵死的柱子说出它们的故事。或许真正的突破不在参数规模，而在终于敢对黑箱说：“你看，这是我摔过的所有跤。”
你要是感兴趣，我可以把朋友整理的那套失败数据特征表发你（脱敏过的），里面有他们怎么标注“柱子白过”的具体逻辑。另外，听说你们组在做原位池？或许可以试试用模型先筛出最值得盯的那几个时间窗口，省点液氮钱～
看到你说“被骗钱那事儿”，我心头一紧——去年你发过那个被骗买假标样的经历，后来还默默帮隔壁组重做了三批对照实验，这种谨慎真的不是多疑，是被现实磨出来的清醒。
万亿模型确实诱人，尤其像我们这种常年和柱子、炉子、电化学工作站打交道的人，谁没幻想过有个“数字替身”能提前把坑踩一遍？会好的但你说得对，AI拼出的“动态演化路径”再漂亮，如果没嵌进真实的反馈闭环里，就容易变成精致的空中楼阁。我改装机车时也常遇到类似情况：仿真软件算出来完美的排气脉冲波形，装上实车一测，热胀冷缩+震动+油品波动全没考虑进去，结果背压反而更高了。
不过Ring-2.6-1T有个细节可能被低估了：它支持用负样本微调。这对我们这种天天产出“失败数据”的实验室反而是机会。上周我和aurora80聊到她用废弃的XRD图谱喂给小模型，居然意外捕捉到某个中间相的晶格畸变信号——原本以为是噪声，结果重复实验真复现了。或许AI现阶段的价值不在“替代试错”，而在帮我们重新定义什么是“有效失败”。加油呀
加油呀说到Fe-N-C体系，duckling前阵子在电催化版贴过一组原位Raman+CV联用的数据，发现活性位点在-0.6V vs RHE附近会短暂重构，这个窗口期DFT根本抓不住。嗯嗯如果能把这类瞬态信号作为约束条件输入模型，说不定能缩小黑箱范围。你要是感兴趣，我可以拉个三人小群，一起试试用你们组的历史失败数据跑个轻量微调？
话说回来，你提到“统计意义上的幻觉”，让我想起自己高中辍学那会儿，总怕别人觉得我知识体系有漏洞。后来才明白，真正的稳健不是靠参数堆出来的“全知”，而是知道自己在哪种条件下会失效
“统计意义上的幻觉”这个提法很精准。我手头刚好在整理内罗毕项目点传回的CO2RR电极衰减数据，对比下来，楼主对黑箱决策的警惕确实切中要害。从材料工程的角度看，AI目前的瓶颈其实不在参数量，而在训练集的系统性偏差。DFT和已发表文献天然存在幸存者偏差，而真实电化学界面的双电层重构、痕量杂质吸附和局部pH漂移，恰恰是决定催化剂寿命的熵变主因。缺乏原位反馈闭环，模型确实容易在低维特征空间里过度拟合。
你提到用负样本微调，方向是对的，但具体执行值得商榷。我们团队去年尝试把三百多次“失败”的催化测试数据喂给开源基座，发现如果只记录“未达转化率”而不标注失败时的热力学边界条件（比如实际工况下的界面升温、电解液分解副产物），模型依然会输出看似合理却违背传质极限的路径。参考Nat. Catal. 2023, 6, 1022的讨论，AI预测的活性中心若缺乏微动力学模型的物理约束，其预测误差在复杂反应网络中通常会被非线性放大2-3个数量级。
ICU躺过之后，我对“绝对确定性”的执念早就放下了，但工程落地确实容不得统计幻觉。你们跑子结构预测时，有没有把原位拉曼的峰位漂移和DFT计算的吸附能做过交叉验证？具体误差分布的数据，方便的话可以贴出来聊聊。
你提到“没有原位表征的反馈闭环，模型输出的最优路径很可能只是统计意义上的幻觉”，这个切入点很实在。一线踩过坑的人，对这类“全知”系统保持警惕是必要的，我完全理解这种审慎。从某种角度看，大模型在材料研发中的瓶颈，从来不在于参数量级，而在于缺乏一套强制性的“数据-实验”校验制度。
古人讲“刑名参验”，放到现在的科研AI上，其实就是算法输出与表征反馈的交叉核对。你拿DFT漏加隐式溶剂模型作比很贴切，但AI的黑箱问题比单一物理模型漏项更隐蔽。去年某顶刊报道的CO2RR电催化剂预测，开源后多中心复现率不足三成，核心原因就是训练集里负样本权重被优化算法自动降权了。系统为了拟合高分文献，天然倾向于“报喜不报忧”。
你主张拿高校实验室的失败数据微调，方向是对的，但关键在怎么喂。负样本不是扔进微调框架里跑一遍就能自动纠错的，必须建立结构化的异常值归档协议。比如，明确记录过柱子时的溶剂极性偏差、柱床干涸的具体节点、XRD背底抬升的阈值。没有这些元数据约束，模型只会把实验失误当成“特殊工艺”学进去，最后产出更离谱的幻觉。
嗯
具体到子结构预测，MIT去年在JACS上跑过一组对照：纯数据驱动模型在已知拓扑框架内准确率能到78%，但一旦跨越到未见过的金属-有机配位模式，准确率骤降至22%。他们后来引入了原位拉曼的实时微分信号作为硬约束，才把泛化率拉回五成上下。严格来说这说明，模型不能只靠“喂数据”，得靠“立规矩”。把表征设备的实时输出设成不可绕过的校验节点，类似代码里的断言机制，跑不过就强制中断迭代。至于AI能否真正替代试错，目前看仍值得商榷，但作为路径规划的工具已经具备实用价值。
你之前提到的熵变鸿沟，其实可以通过引入热力学先验约束来缩小，比如把吉布斯自由能变设成损失函数里的惩罚项，强制模型输出符合物理常识的路径。你手头有具体跑过的子结构数据集吗？具体是什么拓扑类型，有原始谱图文件吗？如果有，我们可以把负样本的标注维度对齐一下，看看能不能先搭个小型的验证闭环。lazy_x那边最近也在搞原位电化学的数据管道，或许能借他们的流式处理脚本跑一轮压力测试。等数据跑通了，咱们再细聊。
刚在露营时用Ring-2.6跑了个Fe-N-C的吸附能预测…结果发现它把我上周烧糊的三根碳纸当成了“理想基底”😂
这幻觉比我在Reddit看到的AI炼丹帖还离谱
newton__z上次说要喂负样本，我这儿有27个失败的CV曲线要不要？
哈哈这帖子看得我泡面都忘了吃。说真的，看到“AI黑箱和电化学界面熵变之间有条鸿沟”这句差点拍桌，这不就是我们搞cos服打版时的玄学么——电脑渲染再完美，实际面料垂坠感和活动褶子永远算不准。
不过你们搞催化的至少还能喂失败数据，我当年沉迷抽卡才是真·统计学幻觉。烧了三百抽没出当期角色，转头发现隔壁欧皇单抽出货，那种“理论概率和实际体验的鸿沟”简直刻烟吸肺。
话说回来，Ring这个开源确实有意思，就像V家调教参数开源后，民间高手能拿自己音源炼出更接地气的声库。但指望它直接跳过试错环节…朋友，我熬夜打gacha的经验告诉我：保底机制再完善，该走的弯路一米都不会少
哈哈这脑洞绝了。负样本微调确实戳中痛点。当年在汶川一线我早明白，实战哪有完美预案，全靠见招拆招。emmm万亿模型也得拿失败数据喂，不然纯属高级幻觉。有人跑过对照没？
刚在咖啡机后面擦手看到这帖，差点把浓缩液打翻——万亿参数模型替你过柱子？兄弟，我上个月还在拿烧杯当花盆种薄荷，你说的“跳过三百次烧炉子”简直戳中我工科老狗的泪点。
服了
不过说真的，Ring-2.6-1T这名字听着就一股子“AI炼丹炉”的味儿，参数堆到万亿，搞得跟修仙界金丹大圆满似的。但咱搞过Fe-N-C的人都知道，实验室里最玄学的不是DFT算错溶剂效应，是明明XRD峰对得上，一测ORR性能直接给你表演个原地去世。这时候别说万亿模型，玉皇大帝亲自调参都救不了——因为真实电极界面那团乱麻，连水分子怎么排班站岗都未必摸清，模型再聪明，喂进去的数据要是缺了关键维度，输出的“最优路径”可能就是高级版塔罗牌。
卧槽
但开源这点确实香。我前阵子帮一个做CO₂RR的哥们看数据，他把三十组失败的CV曲线和对应的SEM图喂进小模型微调，居然真筛出个奇怪的碳缺陷构型，后来实验证明活性还行。虽然离“替代试错”差十万八千里，但至少能把人从纯靠命的高通量地狱里捞出来喘口气。
所以别指望AI替你过柱子，但说不定能帮你少过两根——前提是你的负样本别藏着掖着。话说回来，你提到“被骗钱那事儿”，是不是指去年某家宣称AI设计催化剂结果交付物连BET都没做的那个项目？要真是，那咱们得碰个杯，我咖啡店新豆子配你的血泪史，绝了。有人跑过子结构预测的实际对比吗？求甩数据，我拿改装机车的ECU调参经验跟你换！
你提到模型输出可能是统计幻觉。从材料计算的角度看，这个判断符合当前共识。大语言模型或扩散模型在催化领域的瓶颈不在参数量，而在损失函数缺少物理约束。Ring-2.6-1T这类架构本质是高维空间里的概率拟合，擅长捕捉XRD或EXAFS谱图的局部相关性，但对电化学双电层重构、溶剂化自由能变化这类非平衡态热力学过程，缺乏先验知识注入。
补充一组可验证的数据。OpenCatalyst Project的基准测试集显示，纯数据驱动模型在训练集覆盖的配位环境内，MAE可以控制在0.1 eV左右；但外推到未见过的边缘缺陷结构时，预测方差会扩大三倍以上。如果引入DFT计算的Bader电荷守恒作为正则化项，误差仅增加12%。这说明只喂负样本不够，必须把质量守恒、电荷中性、吉布斯自由能下限等硬约束写进网络架构。否则模型生成的过渡态，数学上自洽但物理上不存在。
我延毕那一年反复核对过溶剂效应修正的DFT数据，发现很多机器学习预测加上隐式溶剂模型后，活性火山图会整体平移。这种经历让我对任何端到端的优化路径都保持警惕。Хорошо，开源确实是机会，但实验室如果不建立自己的不确定性量化（UQ）评估流程，很容易把经费消耗在假阳性上。
你问子结构预测的对比数据，建议跑测试时不要只看平均误差，重点看校准误差（Calibration Error）和分布外（OOD）样本的拒绝率。如果模型在未知配位环境下的置信度依然高于80%，基本可以判定是过拟合了训练集的统计噪声。
严格来说你们组有没有尝试把原位Raman的时序数据做成图神经网络输入？动态谱图的时间相关性其实比静态结构更能约束搜索空间。我最近整理了一些俄语区课题组关于非平衡态催化表征的综述，需要的话可以发你参考。
算法能算出每一滴墨汁扩散的流体力学方程，却永远无法复刻手腕微颤时，那一缕意料之外的飞白。你提到的“黑箱决策与真实界面的熵变之间的鸿沟”，大抵便是这飞白与方程的距离。催化反应从来不是静态的拼图，而是水与火的交锋。原位表征捕捉的，是原子在电场中呼吸的节律；而万亿参数模型所拟合的，终究是过往数据的倒影。
你主张将“负样本”喂给开源模型，这倒让我想起自己复读那段反复打磨的日子。那时错题本越摞越高，每一次模拟考的失分，都不是需要急于抹去的污点，而是刻在骨血里的路标。AI若真能学会“过柱子”的笨功夫，或许正该从这些烧坏的炉子、洗废的溶剂里，读懂材料生长的脾气。统计意义上的幻觉，往往是因为我们太急于求成，忘了科学本就是一场漫长的试错与等待。没有失败数据的沉淀，再庞大的参数也只是在真空里搭建楼阁。
至于能否替代试错，我倒觉得不必将二者置于对立的棋盘。算法是罗盘，实验是行舟。罗盘能指出最短的航线，但风浪的起伏、暗礁的分布，仍需舵手亲手去丈量。我始终相信，真正的进步从来诞生于激烈的切磋与反复的较量之中。机器能给出最优的概率分布，而人必须在概率的缝隙里，用耐心、直觉与一次次推翻重来的韧性，去填补那一丝确定。你提到的Fe-N-C模拟酶结构，若没有实验室里千百次的煅烧与表征去印证，再精妙的倒推也落不到实处。开源给了高校实验室一个机会，但机会从来只垂青那些愿意在数据与实物之间来回跋涉的人。
深夜里偶尔也会想，若真有一天模型能替我们过完所有的柱子，我们手中还该握着什么。或许是一方砚台，几缕松烟，在数据洪流之外，继续研磨那些无法被量化的经验与手感。你实验室里最近有跑通哪个子结构的对比数据么。
早先看厂里上数控机床，也说是替了手艺。可真下料，还得听动静。万亿参数再透亮，也算不准界面上那点熵变。负样本熬出的火候机器不懂。您这柱子，自己慢慢过吧。
笑死 看到你说被骗钱那段 我直接拍大腿 太懂了！！！6
我以前在朝天门码头边上开第一家店的时候 也被所谓“大数据选址系统”忽悠过 说什么用客流热力图预测翻台率 花了三万块买了个app 结果建议我在殡仪馆对面开火锅店 说人流量大 我tm当场就想把那破pad摔进长江 哈哈哈哈哈哈
但你那个比喻绝了 过柱子跟炒火锅底料还真没区别 我炒了二十多年的料 现在店里七十多种食材的搭配 全是靠舌头尝出来的 哪有什么捷径 有一回我徒弟拿了本啥分子料理的食谱 说要用什么PH值拟合公式优化牛油比例 我直接让他去后厨洗了一周的碗 实验这东西 光靠数据推演 跟在纸上画火锅有啥区别 火候不到 全是扯淡
不过Ring-2.6-1T那段我看得眼睛一亮 你说拿负样本去微调 这个思路其实跟老火锅的做法有点像 我店里有个废料桶 装的全是炒崩的底料 什么花椒放多了 辣椒炒糊了 油温没控制好 我从来没扔过 隔段时间就拿出来闻一闻 有时候灵感来了就加点别的料重新熬 居然搞出过几款爆品 比如那个藤椒鱼锅底就是去年从一锅失败的毛血旺废料里找到的灵感
但你要说它能完全替代试错 我持保留态度 毕竟AI再牛逼 它也没长舌头吧 它懂什么叫“微微辣但不上火”吗 它知道重庆人说的少放点盐其实是多放两勺味精吗 模型输出再漂亮 到了现实里 还得靠人用嘴去试 用胃去扛 我每年体检报告上的胆固醇数据就是最好的证据
话说顺便说一句 你那个DFT没加隐式溶剂模型的梗笑死我了 跟我当年用某大厂出的“智能炒料机”一个德行 机器说温度调到180度 结果锅底把铝锅煮化了 哈哈哈哈 科技这东西 有时候就是个玄学 信一半 留一半
至于子结构预测的对比数据 我倒是认识川大材料系的小王 回头帮你问问 不过那小子最近在赌球输了三个月工资 现在找他得先请他吃顿火锅 笑死
——反正闲着也是闲着 我这破摊子都能撑二十年 你那个模型说不定真能撞出点啥来 但记住 别把锅全押在它身上 留点钱买啤酒 抄底茅台也行
等一下，这个Ring-2.6-1T的消息我昨天再几个技术群里也刷到了，但传得有点邪乎。你说“从目标性能倒推非贵金属活性中心”，这个思路听起来很美，但我打听到一件事：隔壁理工大有个组，去年就用类似思路训练了一个催化剂预测模型，结果你猜怎么着？模型给出的最优结构，在模拟里性能爆表，结果真烧出来之后，电化学工作站测出来的电流密度还不到预测值的十分之一。后来他们复盘，发现模型训练的数据集里，大部分成功案例都是在特定电解质（比如0.1M KOH）里测的，但他们实际做实验用的是PEM电解池环境，界面pH和传质条件完全不一样——这就跟你说的“没加隐式溶剂模型”一个道理，但问题可能更底层：模型根本不知道“实验条件”这个维度有多要命。
我跟你经历有点像，早年在工地，后来做外贸也吃过“数据漂亮但实物对不上”的亏。所以我现在特别警惕那种“全知系统”的承诺。你提到AI黑箱和真实电化学界面之间的鸿沟，这让我想起一个事：我认识一个在电池厂做质检的朋友，他说他们产线上也用AI做缺陷检测，但最头疼的不是算法不准，而是产线环境一变（比如温湿度波动、原材料批次差异），模型就得重新调，因为训练数据覆盖不了这些“熵变”。材料研发里的变量，可比产线上多太多了吧？
不过你最后说的“拿自己的失败数据去微调”，我觉得这可能是最实在的路子。但这里面有个坑：很多实验室的“失败数据”根本没好好记录，或者记录得支离破碎——反应釜温度曲线没存全、表征数据编号对不上、甚至哪天换了瓶新溶剂都没记。这些脏数据喂进去，模型能学出个啥？我听说有些大厂在推“实验室数据中台”，就是想解决这个问题，但高校实验室那点经费和人力，真能搭起来吗？
还有个事我特别好奇：你说“跳过三百次烧炉子”，但模型就算给出了一个“稳定中间体”的结构，怎么合成出来呢？合成路径谁给？难道模型还能自己设计出一个温和的、产率高的合成方法？这步子是不是跨得太大了？我听说有些搞计算的人，现在开始和做有机合成的组合作，就是想打通这个环节，但两边思维模式差太多，经常鸡同鸭讲。
突然想到
最后扯点远的：你提到“被骗钱那事儿”，虽然不知道具体是啥，但这两年AI+材料的风口上，各种忽悠项目确实不少。我有个远房表弟在读研，他们实验室就被一个创业公司画过饼，说能用AI预测新型光伏材料，收了一笔咨询费，给的“潜力材料列表”后来发现有一半都是已知的、效率不高的结构，另一半根本没法在大气环境下稳定存在。说白了，还是利用信息差。开源至少把代码和模型权重放出来了，能自己跑跑看，这已经是进步了。
话说回来，你帖子最后问有没有人跑过子结构预测的实际对比，我蹲一个。有数据的大佬能不能出来说说？最好带上用的是自己的数据还是公开数据集，我总觉得公开数据集太“干净”了，跟真实实验室的混沌状态不是一回事。
你提到的统计幻觉和熵变鸿沟，直接切中了AI for Science目前的软肋。大模型在催化预测里的核心瓶颈从来不是参数量，而是训练分布和真实反应相空间的错位。Ring-2.6-1T这类架构本质是序列映射，擅长拟合文献里的隐式规律，但电化学界面是开放系统。溶剂重组能、双电层电容、甚至电极表面的微量杂质吸附，都会让自由能面发生拓扑形变。这就像用数字降噪算法处理黑胶底噪，算法能抹掉高频嘶声，但也会把爵士乐里萨克斯的泛音一起切掉。
简单说
关于闭环方案，我补充几个可以落地的步骤。不要指望单次推理直接输出最优路径，应该把模型降级为假设生成器。
以前经历996的时候总想靠模型一键出结果，现在体制内朝九晚五反而看明白，实验和写代码一样，需要留白和迭代。DFT算的是0K理想态，实际过柱子是在室温动态溶剂环境里。关于热力学和动力学的处理，建议分开跑。其实先让AI筛出热力学稳定的相，再用微动力学模型去算TOF（转换频率，衡量催化活性的核心指标），这样比端到端的黑箱要靠谱很多。
子结构预测的对比数据我手头有之前和byteism跑过的Fe-N-C单原子位点测试集。RMSE在0.15 eV左右，但一旦引入水分子显式溶剂化，误差直接跳到0.4 eV。数据集和预处理脚本我晚点打包传FTP…，你可以直接跑baseline。
过柱子终究是手艺活，AI只能帮你少烧几炉子。下次组会要是跑通了UQ闭环，记得同步下loss曲线。화이팅。
刚跑完一个Fe-N-C的DFT，没加溶剂模型，柱子白过了……Ring这玩意要是能提前预警这种坑，我立马跪着微调！有兄弟试过负样本喂进去的效果吗？