OpenESM 由 Yuan Pu、Yudong Lu、Ting Wang、Zhicong Hong、Qinuo Li、Xuansheng Wu、Na Zou、Xia Hu 與 Guanchu Wang 共同完成，論文於 2026 年 10 月 7 日提交至 arXiv，編號為 arXiv:2610.33005v1，屬於計算與語言（cs.CL）以及機器學習（cs.LG）交叉方向，全文共 12 頁、7 幅圖、3 張表。
研究的出發點在於：能量基模型在特定領域任務上表現出了有吸引力的性質，但要在通用場景中建模仍然困難。為彌合這一差距，作者設計了能量引導模型（Energy-Steered Models，ESMs），專門面向基礎語言建模。ESMs 的核心設計是把能量引導與 token 生成整合進同一個架構，從而利用能量引導的搜索來改進 token 生成過程。
具體而言，ESMs 首先在能量景觀上優化一個潛在狀態，然後利用這個經過精煉的潛在狀態進行 token 生成。也就是説，模型不是在生成階段直接輸出 token，而是先在能量空間中找到一個更有利的表示，再基於該表示決定輸出。通過在大型語料上執行這種能量引導的預訓練，ESMs 能夠學到總體上有效的能量景觀，其中更有利的 token 對應更低的能量值。
為了考察 ESMs 的擴展行為，作者在三個大規模語料上預訓練模型，並在覆蓋廣泛領域的 26 個下游任務上進行評估。結果顯示，ESMs 隨着模型規模和訓練數據的增加呈現出有希望的擴展行為，並且在大多數下游任務上優於 GPT。作者認為，這些發現表明 ESMs 是一種有前景的架構，可用於大規模預訓練和通用問題求解。
除了方法本身，這項工作的另一個重要特點是開放性。作者完全公開了模型權重和訓練基礎設施，使社區能夠完整復現並擴展他們的結果。相關資源包括 GitHub 倉庫（datamllab/openesm）和 HuggingFace 模型集合（guan-wang/openesm）。論文還提供了 PDF、實驗性 HTML 版本以及 TeX 源碼等獲取方式，並通過 arXiv 發佈了 DOI。
總體來看，OpenESM 試圖把能量基模型的思路帶入通用基礎模型訓練，通過統一的能量引導架構在生成質量與擴展性之間建立聯繫，並以開源方式降低復現門檻。對於關注替代性語言模型架構、能量基建模以及可擴展預訓練的研究者和工程團隊而言，這項工作提供了可檢驗的基線與可複用的訓練基礎設施。