分子发现 · 分子性质 → 结构
MolP2SBench
根据计算得到的物理性质恢复被遮住的分子片段。已知结构提供参考答案；受控对照帮助研究预测如何变化。
教学入门包
2 条观测 · 2 个候选项 · 1 个分子问题组
包含模型输入、独立标签、评分器和 Python 示例。需要 Python 3.9+；运行基础检查无需 API 密钥。
完整基准
每个性质通道有 136 道原始问题 · 每题 2–4 个候选项
完整任务视图、标签、提示词和评分器请见原始仓库，其格式与教学入门包不同。
外部来源。使用前请核对仓库及底层数据的复用条款。
- 结构恢复
- 证据使用
- 反事实响应
完整基准考察的能力。教学样例对用于介绍接口。
这些数量分别指什么？
一道任务对应一条待回答的输入记录。一个问题组包含同一原始恢复问题及相关观测。性质通道提供一类证据，例如偶极矩大小；证据条件则指定它与任务如何配对：正确、打乱或反事实。构建独立评估划分时，相关记录必须留在同一组。
- 输入
- 遮蔽后的结构、性质数值和候选补全结构
- 输出
- 为每条观测选择一个候选项
- 反馈
- 开发样例上的正确性评分与参考对照
来源与引用
基准论文。 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).
引用此资源
使用 MolP2SBench 的任务与设计时，请引用基准论文。使用源自 QM9S 的记录时，还应引用底层 QM9S 论文并注明所用数据集版本。各项来源有各自的复用条款。 A deep learning model for predicting selected organic molecular spectra · QM9S 数据集版本.
选择并复制下方条目，或下载上面的 BibTeX 文件。
@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}
}