Descoberta molecular · Propriedade molecular → estrutura
MolP2SBench
Reconstrua um fragmento molecular oculto a partir de propriedades físicas calculadas. As estruturas conhecidas fornecem respostas de referência; variantes controladas das informações permitem estudar como mudam as previsões.
Pacote didático inicial
2 observações · 2 candidatos · 1 família molecular
Inclui entradas para o modelo, respostas de referência separadas, um programa de pontuação e um exemplo em Python. Requer Python 3.9+; o teste básico de funcionamento não precisa de chave de API.
Benchmark completo
136 problemas originais por tipo de propriedade · 2–4 candidatos
O repositório original contém todas as variantes das tarefas, os rótulos, os prompts e o programa de pontuação. Seu formato difere do pacote didático inicial.
Ver o repositório originalComo usar o conjunto completo
Fonte externa. Consulte as condições de reutilização do repositório e dos dados originais.
- Reconstrução de estruturas
- Uso da informação
- Resposta a alterações contrafactuais
Capacidades avaliadas no benchmark completo. Os dois exemplos didáticos apresentam a interface.
O que significam estes números?
Uma tarefa é um caso de entrada para o qual se pede uma resposta. Uma família reúne um problema do benchmark original que envolve a reconstrução de uma estrutura molecular, junto com todas as observações associadas a esse problema. O tipo de propriedade indica quais informações são fornecidas, como a magnitude do momento dipolar. A condição de apresentação indica como essas informações são associadas à tarefa: de forma correta, permutada ou contrafactual. Mantenha os registros relacionados juntos ao separar os dados para uma avaliação independente.
- Entrada
- Estrutura com um fragmento oculto, valores de propriedades e opções para completá-la
- Saída
- Um candidato selecionado para cada observação
- Feedback
- Acertos, erros e comparação com respostas de referência nos casos de desenvolvimento
Fonte e referência bibliográfica
Artigo do 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 o artigo do MolP2SBench pelas tarefas e pela concepção do benchmark. Se usar registros derivados do QM9S, cite também o artigo original do QM9S e identifique a versão do conjunto de dados. Cada fonte tem suas próprias condições de reutilização. A deep learning model for predicting selected organic molecular spectra · Versão do conjunto de dados QM9S.
Copie as referências abaixo ou baixe o arquivo BibTeX acima.
@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}
}