使用大语言模型学习化学反应机理推理

研究者构建了一个大规模反应机理推理数据集，并建立了FukuyamaBench基准测试。微调后的Qwen3-30B-A3B模型在精确路径匹配上达到8.3%，超过专用模型FlowER的5.1%，表明机理感知训练能显著提升大语言模型的化学推理能力。

此前化学大语言模型主要依赖粗粒度的命名反应进行产物预测，常出现物理不一致和幻觉。该研究通过构建推理数据集和基准，证明机理感知训练能显著增强LLM的化学推理能力，超越了专用小模型。

反应机理由逐步的基本反应序列组成，与推理型大语言模型的逐步推理范式自然契合。通过大规模数据集训练，模型逐步学习电子转移、键断裂等底层逻辑，从而提升推理准确率。

• 将机理推理数据集集成到化学AI工具中，提升逆合成路线规划的准确率。
• 基于FukuyamaBench评估不同LLM的化学推理能力，作为产品选型依据。
• 开发面向化学教育工作者的机理理解AI辅导产品。
• 为药物研发平台提供可解释的化学反应步骤预测功能。

• 该数据集是否开源？
• Qwen3-30B-A3B在其他化学任务上的表现如何？
• 机理推理训练是否会降低模型在其他领域的性能？
• 该方法能否扩展到生物化学或材料科学？