arXiv cs.AI· Jiaxing Sun, Junyuan Gao, Ruikang Zhang, Hao Zheng, Lingli Ge, Xiao An, Jiang Wu, Huazheng Zeng, Jiahe Song, Chen Zhu, Haote Yang, Jingchao Wang, Lu Chen, Yuanyuan Cao, Ruijie Zhang, Shengxin Lu, Weijia Li, Lijun Wu, Conghui He·· 11 小时前AI 评分29
RxnExBench：面向科学文献结构化化学反应提取的视觉语言模型基准
RxnExBench: Benchmarking Vision-Language Models for Structured Chemical Reaction Extraction from Scientific Literature
AI 导读
研究者推出 RxnExBench 多模态基准，用于从合成化学文献的 Screen Tables 与 Substrate Scopes 中细粒度提取反应级数据，含 3,565 个专家标注反应和 2,361 个分子结构，采用 15 种反应角色、26 个核心字段的统一 schema。
正文 · AI 翻译
作者：Jiaxing Sun、Junyuan Gao、Ruikang Zhang、Hao Zheng、Lingli Ge、Xiao An、Jiang Wu、Huazheng Zeng、Jiahe Song、Chen Zhu、Haote Yang、Jingchao Wang、Lu Chen、Yuanyuan Cao、Ruijie Zhang、Shengxin Lu、Weijia Li、Lijun Wu、Conghui He
摘要：屏幕表格和底物范围是合成化学文献中广泛使用的信息密集型图表，然而从中自动提取结构化反应数据仍然具有挑战性。我们提出了 RxnExBench，一个用于细粒度反应级评估的多模态基准。它基于高影响力化学期刊构建，包含 3,565 个专家标注的反应和 2,361 个分子结构。该数据集采用统一模式，包含 15 个反应角色和 26 个核心字段，支持下游 AI-for-Chemistry 任务，如逆合成规划、产率预测和反应条件推荐。RxnExBench 还提供了推理驱动的难度分类体系、模块化标注流程以及 Oracle-MolRec 协议，该协议将分子识别与更高层次的推理分离开来。对 9 个最先进 VLM 的评估表明，随着模式复杂度和推理要求的增加，性能显著下降。在 Oracle-MolRec 设置下，结果进一步表明，仅靠准确的分子识别是不够的，多模态集成和化学感知推理仍然是主要瓶颈。我们发布所有数据和代码，以促进未来在化学感知多模态理解和 AI-for-Chemistry 数据集构建方面的研究。数据集和代码将在 此 https URL 发布。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32221 [cs.AI] |
| （或 arXiv:2610.32221v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32221 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Jiaxing Sun [查看电子邮件]
[v1]
2026年10月23日星期五 06:19:56 UTC（6,858 KB）
来源：arXiv cs.AI · arxiv.org