arXiv cs.CL· Gabriel Asher, Cailum M. K. Stienstra, Tomo Oga, Devesh Shah Antonio H. de O. Fonseca, Niall O'Connor, Michael Widrich·· 10 小时前AI 评分38
LLM 在 MS/MS 结构解析的分布外泛化中依赖专用工具
LLMs Depend on Specialist Tools for Out-of-Distribution Generalization in MS/MS Structural Elucidation
AI 导读
前沿 LLM 在 MS/MS 从头结构解析中分布内 Top-1 准确率可达 52%，但分布外仅 2%。研究基于 MassSpecGym 构建 100 种分析物基准，仅接入 de novo 结构生成器可将分布外准确率提升至最高 38%，且所得智能体在分布内外均优于独立 de novo 模型。
正文 · AI 翻译
摘要：最近有报道称，一个前沿语言模型无需工具即可解决一维 NMR 结构解析。我们想知道这种能力能否迁移到串联质谱（MS/MS）的从头解析场景，即模型必须直接从谱图提出结构，而没有候选列表或参考库。为了将推理与记忆区分开，我们基于 MassSpecGym 构建了一个包含 100 种分析物的基准，按每种分析物的文本足迹将其分为分布内（文献中有充分记录）和分布外（基本无记录）两组。我们固定模型、测试框架和输出格式，仅改变 LLM 对领域专用工具的访问权限。在没有工具的情况下，前沿 LLM 在分布内达到 52% 的 Top-1 准确率，但在分布外仅为 2%。只有访问从头结构生成器才能提升分布外准确率，最高可达 38% Top-1，并且由此产生的智能体在分布内和分布外均优于独立的从头模型。这些结果表明，LLM 自身在从头 MS/MS 结构解析方面并不有效，进一步的提升取决于智能体可用的专用工具，而非 LLM 本身。
| 评论： | 已被“NeurIPS 2026 分子科学智能体系统研讨会”和“我简直不敢相信这没有更好：NeurIPS 2026 生物学中 AI 的失败模式研讨会”接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（stat.ML） |
| MSC 分类号： | 68T07, 68T50, 68T42, 92E10 |
| ACM 分类号： | I.2.6; I.2.7; I.2.1; I.2.11; J.2; J.3 |
| 引用为： | arXiv:2611.03308 [cs.LG] |
| （或使用 arXiv:2611.03308v1 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2611.03308 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Michael Widrich [查看电子邮件]
[v1]
2026 年 11 月 2 日星期一 15:39:07 UTC（311 KB）
来源：arXiv cs.CL · arxiv.org