据MarkTechPost 2026年9月10日报道，英伟达详细介绍了 BioNeMo 推理运行时 BioIR，称其可在 NVIDIA GPU 上加速受支持的结构预测模型，同时保留标准 PyTorch 工作流。在一项 1000 个人类二聚体靶标的基准中，BioIR 加速的 Boltz-2 在 8 张 H100 上实现每 GPU 小时 5.85 万残基的折叠吞吐，较开源实现提升 2.90 倍。
报道称，BioIR 已用于 AlphaFold 数据库扩展，生成覆盖 4777 个蛋白质组的蛋白复合物结构，涉及约 3100 万个候选复合物，其中 181 万个作为高置信度预测发布。BioIR 现已作为开源 GitHub 仓库提供，包含带预编译 CUBIN 的 wheel 包。运行时需要 Python 3.12+、兼容的 NVIDIA GPU 和驱动、分阶段模型检查点及每条链的 A3M 多序列比对，不需要 nvcc、CUDA 源码、CMake 或 CUDA 工具包。
BioIR 支持 Boltz-2、OpenFold2 和 OpenFold3 等结构预测模型，并针对通用推理栈未充分优化的操作，包括 Pairformer 和 Evoformer 栈、三角运算、成对注意力、扩散 Transformer 和原子级模块。模型仍为普通 torch.nn.Module，无需引擎构建或导出步骤。它提供端到端处理器，将 InputRequest 经过解析、分词、特征生成、GPU 推理和 PDB 或 mmCIF 写入；也支持直接 PyTorch 集成，允许构建受支持模型或在自定义代码中复用优化模块。每个蛋白链需要 A3M MSA，模板需手动提供，因为 BioIR 不运行 HHsearch 或 HMMsearch；处理器支持配体结构预测，但不支持配体亲和力预测。
加速分三层。内核选择根据模型配置、GPU、数据类型和张量形状，在 BioIR 自定义、cuEquivariance 或 PyTorch 回退实现之间选择；模块优化通过 optimize() 为兼容模块启用 CUDA Graph 捕获，减少启动开销；流水线扩展使用 Ray 执行器，在每张可见 GPU 上放置一个完整模型副本并分发独立输入，使 CPU 阶段与 GPU 折叠重叠。报道指出，Ray 不会把单次前向传播拆分到多张 GPU，副本模式扩展的是工作队列而非单个靶标；上下文并行折叠已规划但尚未提供。
端到端基准使用 1000 个人类二聚体靶标，合并序列长度低于 2800 残基。BioIR 加速的 Boltz-2 与 torch 编译的开源 Boltz-2 在 8 张 H100 80GB 上对比，两者使用相同靶标、已分阶段 MSA、推理配方（3 次 recycle、200 个采样步、5 个扩散样本）和 GPU 配置。BioIR 完成全部 1000 个靶标，每分配 GPU 小时交付 5.85 万成功折叠残基；公开实现交付 2.02 万残基，并在 29 个靶标上耗尽内存。按残基归一化吞吐计算，提升 2.90 倍。报道强调，这些是特定数据集和硬件上的折叠阶段测量，不包括 MSA 生成、预处理 CPU 分配、存储、数据传输和重试，不应推广到所有 BioIR 支持模型或数据集。
将基准线性外推到 100 万个可比靶标，BioIR 估计需要 11 MWh，公开实现需要 35 MWh（按 8 GPU TDP 当量）；按全节点最大功率当量计算，分别为 21 MWh 和 64 MWh。这些是基于额定功率、仅折叠阶段的 IT 设备估算，并非实际计量，也不包括 PUE 等数据中心开销。报道称，每百万靶标节省 23 至 43 MWh，对蛋白质组规模任务具有实质意义。