用途：fair-esm2 技能基于 Meta AI 的 ESM-2 模型（fair-esm 包，MIT 许可，github.com/facebookresearch/esm），用于为蛋白质序列提取嵌入，供下游机器学习使用。
主要能力：可提取逐残基或逐序列嵌入；进行掩码语言模型打分（如突变评分）；在 return_contacts=True 时输出接触预测矩阵。
使用方式：安装 pip install fair-esm 后 import esm，通过 esm.pretrained.esm2_t33_650M_UR50D() 等加载模型。示例：model, alphabet = esm.pretrained.esm2_t33_650M_UR50D()；model = model.eval().cuda()；bc = alphabet.get_batch_converter()；toks 经 bc 转换后调用 model(toks.cuda(), repr_layers=[33])。输出 out["representations"][layer] 形状为 (B, L+2, D)，需用 [:, 1:-1, :] 去掉 BOS/EOS；逐序列均值可 emb[0, 1:-1].mean(0)。接触预测输出 out["contacts"] 形状 (B, L, L)。
可用模型：esm2_t6_8M_UR50D（6 层，320 维，8M 参数，快速测试）、esm2_t33_650M_UR50D（33 层，1280 维，650M 参数，默认嵌入模型）、esm2_t36_3B_UR50D（36 层，2560 维，3B 参数，需 24GB+ 显存）。
环境要求：Python 3.8+（推荐 3.11），CUDA 11.7+（推荐 12.x），显存 8GB（8M 模型）、16GB（650M 模型），推荐 24GB+。
远程计算：650M 模型需 ≥16GB 显存，且需预缓存 .pt 检查点或可访问 dl.fbaipublicfiles.com。可通过 host.compute.create(provider) 创建计算并 submit_job 提交任务，命令为 python3 embed_esm2.py，输出 embeddings.pt；脚本内应将 TORCH_HOME 指向提供方的 torch-hub 缓存挂载路径。任务完成后调用 wait_for_notification，收到 compute_done 后 save_artifacts(payload["featured_files"])，或通过 c.attach_job(job_id).result() 获取完整结果。
限制与注意：本技能针对 Meta 的 fair-esm 包（使用 esm.pretrained.*）；Biohub 的 esm 分支（from esm.models.esmfold2 import ...）是不同库，见 esmfold2 技能。首次调用若通过 torch.hub 下载权重会较慢，建议设置 TORCH_HOME 到缓存位置。结构预测请使用 esmfold2。