丢失的分词：将情境作为解锁生物分子理解的关键——面向科学 LLM

科学大型语言模型（Sci-LLMs）已成为加速生物学发现的有前景的前沿。然而，这些模型在处理原始生物分子序列时面临根本性挑战——分词困境。无论将序列视为特殊语言而风险丢失功能 motifs 信息，还是作为独立模态引入严重的对齐挑战，当前策略本质上限制了其推理能力。我们挑战了以序列为中心的范式，认为更有效的策略是为 Sci-LLMs 提供来自 established bioinformatics tools 的高层次结构化情境，从而绕过直接解释低层噪声序列数据的需求。通过对领先 Sci-LLMs 在生物学推理任务上的系统性比较，我们测试了三种输入模式：序列唯一、情境唯一以及两者的组合。我们的发现令人震撼：情境唯一的方法在所有其他模式中始终且显著地实现了性能提升。更令人惊讶的是，无论原始序列如何，仅凭其高层次情境的存在，都一致地削弱了性能，表明原始序列充当了信息噪声，即便针对专门的分词方案的模型亦如此。这些结果表明，现有 Sci-LLMs 的主要强项不在于其从零开始解释生物分子语法的新兴能力，而在于其对结构化、人类可读知识进行推理的深刻能力。因此，我们主张将 Sci-LLMs 重新定位为对 expert knowledge 进行推理的强大引擎，而非序列解码器。这项工作为新一类混合科学 AI 代理奠定了基础，将发展焦点从直接序列解释转向高层次知识综合。代码已公开于 https://github.com/opendatalab-raiser/CoKE。