Pesquisadores treinam o C3LM para retrosíntese em etapa única
O modelo usa prompting Top-K e recompensas de plausibilidade em cerca de 45,6 milhões de reações verificadas.
Por que importa
O artigo argumenta que a avaliação com uma única resposta ignora a natureza um-para-muitos da retrosíntese, uma tarefa central no planejamento de síntese assistido por computador. A constatação de que LLMs e modelos convencionais exploram espaços de reação complementares aponta para sistemas em ensemble para IA aplicada à química.
Pontos-chave
- 1.O C3LM mira a retrosíntese em etapa única com treinamento sensível à plausibilidade.
- 2.O conjunto de dados inclui cerca de 45,6 milhões de reações verificadas.
- 3.LLMs e modelos convencionais podem funcionar melhor em ensembles.
Pesquisadores apresentaram o C3LM, um Chemistry Constraint-Consistent Language Model para retrosíntese em etapa única. O trabalho usa prompting Top-K para gerar previsões de reação diversas e plausíveis, e treina o modelo no CREED-CCV-2+USPTO-XL, um conjunto de dados com cerca de 45,6 milhões de reações verificadas. Com fine-tuning e recompensas baseadas no ChemCensor e orientadas à novidade, o modelo relata desempenho de ponta no benchmark fora de distribuição URSA-expert-2026.
⚡ Experimente hoje
Avalie modelos de retrosíntese com saídas Top-K plausíveis, não apenas pela acurácia de uma única resposta.
Fontes e reportagens originais
Este resumo sintetiza e linka a cobertura dos veículos abaixo.
- 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↗
Gostou deste resumo? Receba o próximo no seu e-mail.
Mais em Pesquisa
MemTrapBench testa armadilhas cognitivas no uso de memória por LLMs
O benchmark mostra que a memória pode prejudicar o desempenho em tarefas mesmo quando os registros recuperados são relevantes.
AI4AI-Bench testa agentes no design de algoritmos de treinamento
O benchmark no arXiv avalia se agentes de LLM conseguem reescrever algoritmos de treinamento em repositórios congelados.
Novos artigos miram atenção esparsa para IA de contexto longo
Pesquisadores propõem métodos para inferência, serving, geração de vídeo e memória em contexto longo com menor custo.