PulseAugur
中
实时 04:46:31
English(EN) Learning Mechanistic Reasoning for Chemical Reactions with Large Language Models

LLM通过新基准增强化学反应机制推理能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新方法，通过关注化学反应的机制推理来增强大型语言模型（LLM）的化学推理能力。他们创建了一个大规模数据集，并建立了FukuyamaBench基准，该基准源自Fukuyama的《高级有机反应机理》一书，用于评估LLM在复杂、循序渐进的反应路径上的表现。经过微调的Qwen3-30B-A3B模型在FukuyamaBench A集上实现了8.3%的精确路径匹配，优于得分为5.1%的专业FlowER模型。这表明使用面向机制的数据训练LLM可以显著提高其化学推理能力。 AI

影响 增强了LLM在科学推理方面的能力，有望改进化学和药物发现领域的应用。

排序理由 该集群包含一篇学术论文，详细介绍了一种用于评估LLM在特定科学任务上表现的新方法和基准。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LLM通过新基准增强化学反应机制推理能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yanjun Li ·

    使用大型语言模型学习化学反应的机械推理

    Reaction mechanisms consist of the step-by-step sequences of elementary reactions that explain chemical transformations. Learning the mechanism logic is therefore essential for enhancing the fundamental chemical intelligence of large language models (LLMs). The stepwise deduction…

相关实体

相关话题