ReMedI 用推理时搜索加自蒸馏提升分子多目标优化效率。
资讯摘要
论文提出 ReMedI，将分子语言模型作为推理时对齐的提议器：给定先导化合物与多目标任务，模型基于当前分子提出编辑，并用 Metropolis-Hastings 搜索引导连续编辑，兼顾性质提升、保持与先导相似度。作者报告在 C-MuMOInstruct 和 SMDD 基准上，该方法在三个骨干模型上均提升冻结基座模型的多目标优化成功率；搜索轨迹可蒸馏回基座模型，所用训练分子先导数约为 C-MORAL 的 1/7.8，严格成功覆盖约为 C-MORAL 的 2.8 倍，并包含分布外任务。
要点速读
- 论文提出 ReMedI，用 Metropolis-Hastings 搜索在推理时引导分子语言模型进行多目标编辑。
- 作者报告在 C-MuMOInstruct 与 SMDD 上，三个骨干模型的冻结基座经精炼后多目标优化成功率提升。
- 作者报告搜索轨迹蒸馏回基座后，训练所需分子先导数约为 C-MORAL 的 1/7.8，严格成功覆盖约为其 2.8 倍。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。