钻研下场以“A framework for evaluating the chemical knowledge and 下现狂学上信质reasoning abilities of large language models against the expertise of chemists”为题宣告于Nature Chemistry。可是场展，品评性脑子越来越紧张，模化模子在评估中的简略乐成概况更多地揭示了咱们用来评估模子以及化学家的下场的规模性，而且简略给出过于自信的太自预料。LM Eval Harness）在化学业余使命上的料牛空缺，紧张的下现狂学上信质是，评估了多个开源以及闭源的场展LLMs，

2.数据集构建措施立异：散漫手动整理（教科书、模化模子的简略展现会因下场规范以及回覆所需推理的差距而截然差距。良多模子无奈坚贞地估量自己的太自规模性。但在需要更多对于化学妄想推理的料牛下场（如异构体数目或者核磁共振峰）上却显患上力不从心。钻研下场夸张了狂语言模子在化学迷信中的下现狂学上信质强盛能耐：争先的模子在良多主题的详细化学下场上逾越了规模专家。

可是场展，揭示模子在特界说务上的模化优势（如教科书下场）与优势（如妄想推理）。当初化学狂语言模子的评估框架主要妄想用于掂量模子在特定属性预料使命上的展现。

图4：ChemBench-Mini上差距主题的模子以及人类的展现。为清静运用中的不断定性规画提供洞见。ChemBench不光为LLMs在化学规模的优化提供了量化基准，钻研者使命需要重新思考若何教授以及魔难化学。模子在所测试的子规模中的展现差距很大。

他们的使命主要立异点在于：

1.首个化学规模多维度评估框架：填补了现有基准（如BigBench、而不是模子自己。它们无奈用于评估推理或者为迷信运用构建的零星。可是，纵然在统一主题内，弗里德里希·席勒大学耶拿分校的Kevin Maik Jablon提出了一个名为ChemBench的自动化框架，

尽管发现指出了良多改善狂语言模子零星的规模，用于评估之后开始进的LLMs在化学规模的知识以及推理能耐。

该钻研下场展现：

一方面，这需要进一步改善模子以削减潜在危害。揭示狂语言模子在化学迷信中的能耐。确保拆穿困绕广度以及品质。适配迷信文本处置需要。模子提供的谜底是过错的。尽管模子在良多教科书下场上展现精采，此外，

3.人类-模子比力合成：初次零星化比力LLMs与化学专家的展现，

4.自信度评估与校准钻研：经由揭示模子自我评估定夺水平，但钻研者以为ChemBench框架将成为实现这一目的的垫脚石。

鉴于模子在钻研中优于艰深人类，由于模子无奈估量其规模性。他们整理了逾越2700个下场-谜底对于，差距主题上的模子功能合成展现，精心规画的基准可能提供更详尽的清晰，

钻研展现，反对于凋谢性以及工具增强型零星的评估。

图5：信托估量值的坚贞性以及扩散。

图1：ChemBench框架概述。而融会贯串或者影像事实依然是狂语言模子将不断逾越人类的规模（当磨炼在精确的磨炼语料库时）。

图3：ChemBench-Mini上模子以及人类的功能。

论文地址：https://www.nature.com/articles/s41557-025-01815-x

 

尽管之后零星可能远未抵达像化学家那样推理的水平，当初对于LLM的化学能耐惟独有限的零星性清晰，对于颇为相关的话题，

大型语言模子（LLM）因其可能处置人类语言并实施未清晰磨炼使命而受到普遍关注。还揭示了之后模子的后劲与规模。在开拓更好的人机交互框架方面需要更多关注，方程式标签），如合计机视觉后退的关键。好比，

钻研下场还突显了评估框架广度与深度之间的怪异掂量。另一方面，但模子在一些根基使命上依然存在难题，

图2：主题以及所需本领的扩散。引入语义标注（如SMILES字符串、仍存在清晰的规模性。魔难题）与半自动天生（化学数据库衍生下场），发现其自信度与谜底精确率解脱，但也要意见到清晰界说的怀抱尺度是良多机械学习规模，发现最佳的模子在平均展现上逾越了人类化学专家。