文章核心总结与创新点
主要内容
该研究聚焦分子大语言模型（Mol-LLMs）的核心局限，提出了数据集与表征策略的双重创新，最终开发出性能领先的多模态分子大语言模型KnowMol。研究首先指出当前Mol-LLMs因预训练数据集质量不足（PubChem覆盖失衡、粒度粗糙）和分子表征策略欠佳（1D/2D模态信息编码低效），在分子原子识别、官能团鉴定、结构解析和性质预测等基础任务中存在明显缺陷；随后构建了包含10万条多级别分子标注的KnowMol-100K数据集，并设计了化学信息增强的分子表征方案；基于上述创新，通过两轮指令微调训练出KnowMol模型，在分子理解（标注生成、性质预测）和分子生成（反应预测、逆合成分析）7类下游任务中均超越现有模型。
