离散状态空间上的生成流：实现多模态流及其在蛋白质协同设计中的应用

基于摘要分析。研究针对生成模型如何联合处理离散与连续数据的问题，提出 Discrete Flow Models（DFMs），并据此构建多模态流生成框架。论文的主要应用是蛋白质协同设计，即联合生成连续的蛋白质结构与离散的氨基酸序列，而非 EEG 或 BCI 信号建模。 核心机制是利用 Continuous Time Markov Chains（连续时间马尔可夫链）实现连续空间 flow matching 在离散状态空间中的对应形式。作者指出，该推导将离散扩散模型包含为特例，同时为组合离散与连续生成过程提供方法基础。摘要未披露具体转移率参数化、训练目标、采样算法及多模态耦合细节，相关实现尚未验证。 在蛋白质协同设计任务中，作者报告其方法达到最先进的协同设计性能，并可用同一多模态模型灵活生成序列或结构。但摘要未提供评估数据集、数据划分、对照基线、指标数值或计算开销，因此尚不能判断优势的幅度及适用条件；实验协议、消融及统计信息尚未验证。 该研究的直接贡献是离散—连续多模态生成方法及其蛋白质应用。现有材料未建立该机制与 EEG/BCI 具体瓶颈的对应关系，不能据此推断其具有神经信号建模或解码收益；相关 EEG 工作尚未检索确认。