Investigadores entrenan C3LM para retrosíntesis de un solo paso
El modelo usa prompting Top-K y recompensas de plausibilidad sobre unas 45,6 millones de reacciones verificadas.
Por qué importa
El artículo sostiene que la evaluación con una única respuesta no capta la naturaleza de uno a muchos de la retrosíntesis, una tarea clave en la planificación de síntesis asistida por ordenador. Su hallazgo de que los LLMs y los modelos convencionales exploran espacios de reacción complementarios apunta hacia sistemas de conjunto para la IA química.
Puntos clave
- 1.C3LM se centra en la retrosíntesis de un solo paso con entrenamiento sensible a la plausibilidad.
- 2.El conjunto de datos incluye unas 45,6 millones de reacciones verificadas.
- 3.Los LLMs y los modelos convencionales podrían funcionar mejor en sistemas de conjunto.
Investigadores presentaron C3LM, un modelo de lenguaje coherente con restricciones químicas para retrosíntesis de un solo paso. El trabajo usa prompting Top-K para generar predicciones de reacción diversas y plausibles, y se entrena con CREED-CCV-2+USPTO-XL, un conjunto de datos de unas 45,6 millones de reacciones verificadas. Con ajuste fino y recompensas basadas en ChemCensor y orientadas a la novedad, el modelo reporta un rendimiento de vanguardia en el benchmark fuera de distribución URSA-expert-2026.
⚡ Pruébalo hoy
Evalúa los modelos de retrosíntesis con salidas Top-K plausibles, no solo con precisión de respuesta única.
Fuentes y cobertura original
Este resumen sintetiza y enlaza la cobertura de los medios siguientes.
- arXiv cs.LGTraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 20, 12:00 PM↗
- arXiv cs.AITraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 20, 12:00 PM↗
- arXiv cs.CLTraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 20, 12:00 PM↗
- HF Daily PapersTraining Chemical Plausibility-Aware Large Language Models for Single-Step RetrosynthesisAug 19, 4:00 AM↗
¿Te gustó este resumen? Recibe el próximo en tu correo.
Más en Investigación
MemTrapBench pone a prueba las trampas cognitivas en el uso de memoria por los LLM
El benchmark concluye que la memoria puede degradar el rendimiento en tareas incluso cuando los registros recuperados son relevantes.
AI4AI-Bench pone a prueba a los agentes en el diseño de algoritmos de entrenamiento
El benchmark publicado en arXiv evalúa si los agentes basados en LLM pueden reescribir algoritmos de entrenamiento en repositorios congelados.
Nuevos papers apuntan a la atención dispersa para la IA de contexto largo
Investigadores proponen métodos para abaratar la inferencia de contexto largo, el serving, la generación de video y la memoria.