Découverte moléculaire · Propriété moléculaire → structure
MolP2SBench
Retrouver un fragment moléculaire masqué à partir de propriétés physiques calculées. Les structures connues fournissent des réponses de référence ; des variantes contrôlées aident à examiner les changements de prédiction.
Kit pédagogique de démarrage
2 observations · 2 candidats · 1 famille moléculaire
Comprend les entrées du modèle, les réponses de référence séparées, un outil de notation et un exemple Python. Python 3.9+ ; aucune clé API nécessaire pour le test de bon fonctionnement.
Banc d’évaluation complet
136 problèmes de la source par canal de propriété · 2–4 candidats
Utilisez le dépôt d’origine pour les différentes présentations des tâches, les réponses de référence, les prompts et l’outil de notation complets. Son format diffère de celui du kit pédagogique.
Consulter le dépôt d’origineInstructions pour les données complètes
Source externe. Consultez les conditions de réutilisation du dépôt et des données sous-jacentes.
- Reconstruction de structure
- Utilisation des preuves
- Réponse contrefactuelle
Capacités examinées dans le banc d’évaluation complet. La paire pédagogique présente l’interface.
Que signifient ces nombres ?
Une tâche est un enregistrement d’entrée auquel répondre. Une famille regroupe un problème de reconstruction du jeu de données d’origine et les observations qui lui sont liées. Un canal de propriété fournit un type de données, par exemple la norme du moment dipolaire. Une condition de présentation précise comment ces données sont associées à la tâche : association correcte, permutée ou contrefactuelle. Gardez les enregistrements liés ensemble lors de la création de partitions d’évaluation indépendantes.
- Entrée
- Structure masquée, valeurs de propriétés et complétions candidates
- Sortie
- Un candidat choisi pour chaque observation
- Retour d’évaluation
- Vérification des réponses et comparaison aux références sur les cas de développement
Source et citation
Article sur le banc d’évaluation. 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).
Citer cette ressource
Citez l’article du banc d’évaluation pour les tâches et la conception de MolP2SBench. Pour les données dérivées de QM9S, citez aussi l’article source QM9S et indiquez la version du jeu de données utilisée. Chaque source a ses propres conditions de réutilisation. A deep learning model for predicting selected organic molecular spectra · Version du jeu de données QM9S.
Sélectionnez et copiez les entrées ci-dessous, ou téléchargez le fichier BibTeX ci-dessus.
@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}
}