Descubrimiento molecular · Propiedad molecular → estructura
MolP2SBench
Recuperar un fragmento molecular oculto mediante propiedades físicas calculadas. Las estructuras conocidas ofrecen respuestas de referencia; las variantes controladas permiten estudiar los cambios de predicción.
Paquete didáctico inicial
2 observaciones · 2 candidatos · 1 familia molecular
Incluye entradas del modelo, etiquetas separadas, un evaluador y un ejemplo en Python. Python 3.9+; no se necesita clave API para la prueba básica de funcionamiento.
Benchmark completo
136 problemas de origen por canal de propiedad · 2–4 candidatos
Utilice el repositorio original para obtener las presentaciones completas de las tareas, las etiquetas, los prompts y el evaluador. Su formato difiere del paquete didáctico inicial.
Ver el repositorio originalInstrucciones para los datos completos
Fuente externa. Consulte las condiciones de reutilización del repositorio y de los datos subyacentes.
- Recuperación de estructura
- Uso de evidencia
- Respuesta contrafactual
Capacidades examinadas en el benchmark completo. El par didáctico presenta la interfaz.
¿Qué significan estas cifras?
Una tarea es un registro de entrada al que responder. Una familia agrupa un problema de reconstrucción del conjunto de datos de origen con sus observaciones relacionadas. Un canal de propiedad aporta un tipo de evidencia, como la magnitud del momento dipolar. Una condición de la evidencia especifica cómo se asocia con la tarea: de forma correcta, permutada o contrafactual. Mantenga los registros relacionados juntos al crear particiones de evaluación independientes.
- Entrada
- Estructura enmascarada, valores de propiedades y candidatos para completarla
- Salida
- Un candidato elegido para cada observación
- Retroalimentación
- Verificación de respuestas y comparación con referencias en casos de desarrollo
Fuente y cita
Artículo del benchmark. Yuhang Xie, Zhiyi Shi, Zeyi Zhang, Zhisheng Qi, Yushun Dong, Yu Wang, Xiongye Xiao. MolP2SBench: Do LLMs Really Reason from Molecular Properties to Structure? arXiv:2610.12522 (2026).
Citar este recurso
Cite el artículo del benchmark por las tareas y el diseño de MolP2SBench. Para los registros derivados de QM9S, cite también el artículo fuente de QM9S e identifique la versión del conjunto de datos utilizada. Cada fuente tiene sus propias condiciones de reutilización. A deep learning model for predicting selected organic molecular spectra · Versión del conjunto de datos QM9S.
Seleccione y copie las entradas siguientes, o descargue el archivo BibTeX de arriba.
@misc{xie2026molp2sbench,
title = {MolP2SBench: Do LLMs Really Reason from Molecular Properties to Structure?},
author = {Yuhang Xie and Zhiyi Shi and Zeyi Zhang and Zhisheng Qi and Yushun Dong and Yu Wang and Xiongye Xiao},
year = {2026},
eprint = {2610.12522},
archivePrefix = {arXiv},
primaryClass = {physics.chem-ph},
url = {https://arxiv.org/abs/2610.12522}
}
@article{zou2023molecularspectra,
title = {A deep learning model for predicting selected organic molecular spectra},
author = {Zihan Zou and Yujin Zhang and Lijun Liang and Mingzhi Wei and Jiancai Leng and Jun Jiang and Yi Luo and Wei Hu},
journal = {Nature Computational Science},
year = {2023},
volume = {3},
pages = {957--964},
doi = {10.1038/s43588-023-00550-y},
url = {https://doi.org/10.1038/s43588-023-00550-y}
}