蛋白质语言模型(Protein Language Models)在从序列中解码生命信息方面展现出惊人潜力，但传统模型受限于单一的自编码(autoencoding)或自回归(autoregressive)预训练目标，难以同时驾驭蛋白质理解与生成任务。研究团队提出的xTrimoPGLM通过创新性地探索两类目标的兼容性，构建了首个千亿级(100B)参数统一模型，使用1万亿训练token进行优化。实验证实：(1)在四大类18项蛋白质理解任务中显著超越现有基线，其原子分辨率(atomic-resolution)的蛋白质结构解析能力，催生出超越同类工具的三维结构预测模型；(2)不仅能遵循自然法则生成全新蛋白质序列(de novo)，还能通过监督微调实现可编程生成(programmable generation)。这些突破彰显了该模型在蛋白质科学与生物计算领域的里程碑意义，相关权重与数据集已开源共享。