PulseAugur
中
实时 09:44:15
English(EN) In-Context Molecular Property Prediction with LLMs: A Blinding Study on Memorization and Knowledge Conflicts

LLM的分子预测能力在记忆与真实学习之间进行测试

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新近发表在arXiv上的研究，调查了大型语言模型（LLMs）在分子性质预测方面的上下文学习能力。研究人员探讨了GPT-4.1、GPT-5和Gemini 2.5等模型是真正执行回归分析，还是依赖于记忆的数据。通过在一系列MoleculeNet数据集上进行的盲测实验，该研究未发现逐字检索的证据，并强调了在数据访问逐渐受限时，预训练知识与上下文信息之间的冲突。 AI

影响 这项研究为理解LLM在科学任务上的表现提供了一个框架，可能指导未来在专业领域的模型开发和评估。

排序理由 该集群包含一篇详细介绍LLM能力研究的学术论文。[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的分子预测能力在记忆与真实学习之间进行测试

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Matthias Busch, Marius Tacke, Sviatlana V. Lamaka, Mikhail L. Zheludkevich, Christian J. Cyron, Christian Feiler, Roland C. Aydin ·

    In-Context Molecular Property Prediction with LLMs: A Blinding Study on Memorization and Knowledge Conflicts

    arXiv:2603.25857v3 Announce Type: replace Abstract: The capabilities of large language models (LLMs) have expanded beyond natural language processing to scientific prediction tasks, including molecular property prediction. However, their effectiveness in in-context learning remai…

相关实体

相关话题