SciCore-Mol：可插拔式分子认知模块增强大语言模型
机器学习
2026-05-22 v1 人工智能
摘要
大语言模型（LLM）是面向一切的智能范式的核心，但在处理如分子等异构科学数据时面临根本性挑战：离散语言符号与拓扑分子或连续反应数据之间的内在鸿沟导致文本推理中信息丢失和语义噪声显著。我们提出SciCore-Mol，一个通过三个深度集成的可插拔认知模块桥接这一鸿沟：拓扑感知感知模块、基于扩散的分子生成模块和反应感知推理模块。每个模块通过学习表示接口与LLM主干架构耦合，实现远超文本唯一工具反馈的更丰富信息交换。我们在多样化化学任务上的实验表明，SciCore-Mol在分子理解、生成、反应预测和通用化学知识方面实现了强大的综合性能，8B参数的开源系统在多个维度上甚至超越了专有大模型。这为通过解耦、可插拔和灵活编排的方式为LLM注入科学专长提供了系统蓝图，具有直接意义于药物设计、化学合成及更广泛的科学发现。
引用
@article{arxiv.2605.22286,
title = {EmoTrack: Robust Depression Tracking from Counseling Transcripts across Session Regimes},
author = {Zhaomin Wu and Jiayi Li and Bingsheng He},
journal= {arXiv preprint arXiv:2605.22286},
year = {2026}
}