Descubrimiento molecular · Propiedad molecular → estructura
MolP2SBench
Reconstruya un fragmento molecular oculto a partir de propiedades físicas calculadas. Las estructuras conocidas proporcionan respuestas de referencia; las variantes controladas de la información permiten estudiar cómo cambian las predicciones.
Paquete didáctico inicial
2 observaciones · 2 candidatos · 1 familia molecular
Incluye entradas para el modelo, respuestas de referencia separadas, una herramienta de puntuación y un ejemplo en Python. Requiere Python 3.9+; la prueba básica de funcionamiento no necesita clave API.
Benchmark completo
136 problemas originales por tipo de propiedad · 2–4 candidatos
El repositorio original contiene todas las variantes de las tareas, las etiquetas, los prompts y la herramienta de puntuación. Su formato es distinto del paquete didáctico inicial.
Ver el repositorio originalCómo usar el conjunto completo
Fuente externa. Consulte las condiciones de reutilización del repositorio y de los datos originales.
- Reconstrucción de estructuras
- Uso de la información
- Respuesta a cambios contrafactuales
Capacidades evaluadas en el benchmark completo. Los dos ejemplos didácticos sirven para conocer la interfaz.
¿Qué significan estas cifras?
Una tarea es un caso de entrada para el que se pide una respuesta. Una familia agrupa un problema del benchmark original en el que se debe reconstruir una estructura molecular, junto con todas las observaciones asociadas a ese problema. El tipo de propiedad indica qué información se proporciona, por ejemplo, la magnitud del momento dipolar. La condición de presentación indica cómo se asocia esa información con la tarea: de forma correcta, permutada o contrafactual. Mantenga juntos los registros relacionados al separar los datos para una evaluación independiente.
- Entrada
- Estructura con un fragmento oculto, valores de propiedades y opciones para completarla
- Salida
- Un candidato seleccionado para cada observación
- Retroalimentación
- Aciertos, errores y comparación con las respuestas de referencia en los casos de desarrollo
Fuente y referencia bibliográfica
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 de MolP2SBench por las tareas y el diseño del benchmark. Si utiliza registros derivados de QM9S, cite también el artículo original de QM9S e indique la versión del conjunto de datos. Cada fuente tiene sus propias condiciones de reutilización. A deep learning model for predicting selected organic molecular spectra · Versión del conjunto de datos QM9S.
Copie las referencias que aparecen a continuación 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}
}