ChemATP：面向大语言模型的无训练化学推理框架
计算与语言
2025-12-23 v1 人工智能
摘要
大语言模型（LLMs）具备强大的常规推理能力，但在分子科学领域却因标准字符串表示缺乏显式化学先验而难以胜任。现有方法面临根本性困境：训练基方法将先验注入参数中，但这种静态耦合阻碍快速知识更新，往往损害模型的常规推理能力；而现有的无训练方法则规避了这些问题，但仅依赖表层提示，无法提供精确化学推理所必需的原子级先验。为此我们引入 ChemATP，一个解耦化学知识与推理引擎的框架。通过构建首个原子级文本知识库，ChemATP 使冻结的 LLMs 能够动态检索并对该信息进行推理。该架构确保可解释性和可适应性，同时保留 LLM 的内在通用智能。实验表明，ChemATP 在无训练基线上显著优于训练基方法，且与最先进的训练方法相当，表明显式先验注入是隐式参数更新的有竞争力的替代方案。
引用
@article{arxiv.2512.19240,
title = {ChemATP: A Training-Free Chemical Reasoning Framework for Large Language Models},
author = {Mingxu Zhang and Dazhong Shen and Qi Zhang and Ying Sun},
journal= {arXiv preprint arXiv:2512.19240},
year = {2025}
}