В данном исследовании изучается эффективность использования представлений (эмбеддингов) от крупной белковой модели-основания AINN-P1, обученной авторегрессионным методом на десятках миллионов последовательностей, для задачи ранжирования пар антиген-антитело по их аффинности (свободной энергии связывания ΔΔG). Авторы сравнивают специализированную модель, обученную с нуля, с легковесными надстройками (downstream heads), построенными поверх «замороженных» эмбеддингов AINN-P1. Результаты показали, что даже простая линейная модель на базе замороженных эмбеддингов превосходит базовую модель, обученную end-to-end. При использовании оптимизированной легковесной надстройки средняя корреляция Спирмена выросла с 0,42 до 0,53, что составляет относительное улучшение на 28%. Важно отметить, что обучение таких моделей занимает считанные секунды и не требует дорогостоящего дообучения (fine-tuning) самой фундаментальной модели. Это делает использование замороженных эмбеддингов высокоэффективным и экономичным методом для инженерии антител и предсказания их связывающей способности.