通用基础模型在化学性质预测任务上超越专用模型

论文报告通用基础模型在少样本化学性质预测上优于专用化学模型。

资讯摘要

论文比较化学专用基础模型（如 ChemBERTa、MoLFormer）与通用基础模型在化学性质预测上的表现。作者报告，在仅 60 个实验数据点时，GPT-6 Astra 在五项物理化学与量子化学回归任务上优于现有化学基础模型；最佳化学模型需约 10 倍数据点才能达到同等水平。作者据此认为，在数据稀缺的化学领域，前沿通用基础模型可能比专用化学模型更适合指导研究。

要点速读

1. 论文对比化学专用基础模型与通用基础模型在多个化学领域任务上的准确率。
2. 作者报告 GPT-6 Astra 在仅 60 个实验数据点时，于五项物理化学和量子化学回归任务上超过现有化学基础模型。
3. 最佳化学基础模型需 1,000 和 10,000 个数据点，才分别达到 Astra 用 60 和 1,000 个数据点时的表现。

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 2026/11/3 08:00:27（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。