arXiv上发表的一篇新研究论文详细介绍了一种在用于化学领域的大型语言模型（LLMs）中出现的现象，称为“跨标识符绑定失败”。研究发现，即使是专门的化学LLMs，当一个分子用不同的标识符（如IUPAC名称或SMILES字符串）表示时，它们在一致地访问相同知识方面也面临困难。研究人员引入了一个基准来展示这个问题，并提出了一种名为“绑定自蒸馏”（Binding Self-Distillation）的缓解技术，旨在直接从SMILES中改进知识检索，而无需进行名称查找或重新训练整个模型。 AI
影响 凸显了大型语言模型在科学领域的关键局限性，可能影响专门的AI应用。
排序理由 研究论文，详细介绍了化学领域大型语言模型的一种特定失败模式。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- Binding Self-Distillation
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- IUPAC names
- LLMs
- ScienceCast
- SMILES
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
