基于深度原生结构推理的准确、跨学科且透明的结构-性质理解
摘要
SciReasoner是一个多模态科学基础模型，能够对蛋白质、分子和晶体进行可解释的结构推理，在86个基准测试中的67项上取得了最先进的性能。
查看缓存全文
缓存时间: 2026/07/09 07:50
论文页面 - 基于深度原生结构推理的准确、跨学科且透明的结构-性质理解
来源：https://huggingface.co/papers/2607.07708 发布于7月8日
#1 今日论文 作者：
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
，
摘要
SciReasoner是一个多模态科学基础模型，通过将结构元素离散化为统一的词汇表，实现对蛋白质、分子和晶体的可解释结构推理，从而增强预测和科学推理能力。
结构-性质关系是生物学、化学和材料科学的基础，其中功能、反应性和物理响应源自空间、化学和周期性组织。要对这些关系进行机制性解释，需要通过科学原理和物理约束（从立体化学和成键到对称性、能量学和周期序）来解读结构证据。然而，将人工智能应用于这一过程同时面临表示和推理的挑战：模型必须保留领域原生的结构信息，同时展示特定证据如何在约束条件下支持预测。在此，我们介绍SciReasoner，一个多模态科学基础模型 (https://huggingface.co/papers?q=multimodal%20scientific%20foundation%20model)，用于对蛋白质、小分子和无机晶体进行原生结构推理 (https://huggingface.co/papers?q=structural%20reasoning)。SciReasoner将坐标、拓扑结构和周期性连接离散化为统一的结构感知词汇表，在推理过程中将结构标记视为可寻址的证据单元。在同源控制基因本体预测 (https://huggingface.co/papers?q=homology-controlled%20Gene%20Ontology%20prediction) 中，SciReasoner改进了低同源性和孤儿样蛋白质的细胞组分注释，将F_max从0.42提高到0.55。在化学领域，它将单步逆合成 (https://huggingface.co/papers?q=single-step%20retrosynthesis) 准确率从0.63提高到0.72，同时生成碎片级断键 (https://huggingface.co/papers?q=fragment-level%20disconnection) 和前体验证轨迹 (https://huggingface.co/papers?q=precursor-verification%20traces)。在材料科学中，其表示分离了元素相和化合物相 (https://huggingface.co/papers?q=elemental%20and%20compound%20phases)，并区分了高带隙和低带隙区域 (https://huggingface.co/papers?q=high-%20and%20low-band-gap%20regimes)。在86个基准测试中，SciReasoner在67个任务上达到了最先进性能。双盲专家评估 (https://huggingface.co/papers?q=Double-blind%20expert%20evaluation) 表明，其推理轨迹 (https://huggingface.co/papers?q=reasoning%20traces) 在98%的案例中与前沿大语言模型相比更受青睐或至少相当。通过将结构变为可检查的推理基板并遵循科学约束，SciReasoner将准确预测与可解释的科学推理联系起来。
查看arXiv页面 (https://arxiv.org/abs/2607.07708) 查看PDF (https://arxiv.org/pdf/2607.07708) 项目页面 (https://scireasoner.github.io/) GitHub1 (https://github.com/SpectrAI-Initiative/SciReasoner) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.07708)
引用此论文的模型 0
没有链接此论文的模型
在模型README.md中引用 arxiv.org/abs/2607.07708 以从本页链接。
引用此论文的数据集 0
没有链接此论文的数据集
在数据集README.md中引用 arxiv.org/abs/2607.07708 以从本页链接。
引用此论文的 Spaces 0
没有链接此论文的Spaces
在Space README.md中引用 arxiv.org/abs/2607.07708 以从本页链接。
包含此论文的收藏集 0
没有包含此论文的收藏集
将这篇论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从本页链接。
相似文章
CrystalReasoner: 面向属性条件晶体结构生成的推理与强化学习
CrystalReasoner 是一个大型语言模型（LLM）框架，通过将物理先验作为思考令牌并使用强化学习，从自然语言生成晶体结构，确保有效性、稳定性和属性条件生成。
SCI-PRM：一种面向科学推理验证的工具感知过程奖励模型
# SCI-PRM：面向科学推理的工具感知过程奖励模型 SCI-PRM 提出了一种面向科学推理的工具感知过程奖励模型（Process Reward Model），基于 SCIPRM70K 数据集训练而成。该数据集包含"Chain-of-Tool"轨迹，将推理过程与科学工具的调用执行交织融合。SCI-PRM 能够实现高效的测试时扩展（test-time scaling），并作为强化学习中的密集奖励信号（dense reward signal），在科学基准测试的工具调用步骤上超越了 GPT-5-Mini 等专有模型。
SciR：用于LLMs科学推理的可控基准
SciR是一种新的可控基准，用于评估LLMs在科学推理方面的能力，包括演绎、归纳和因果溯因，并通过参数控制提取难度和推理难度。测试表明，两个难度轴都会降低所有模型的性能，推理模型（如DeepSeek-R1）在推理方面优于指令模型。
SP-Mind：用于空间蛋白质组学分析的自主推理智能体
SP-Mind是一个自主AI智能体，统一了空间蛋白质组学分析流程，将自然语言查询转换为端到端的分析工作流，无需微调，并在新的SP-Bench基准测试中取得了最先进的性能。
通过结构化元认知在通用智能体中实现深度推理
本文介绍了深度推理（Deep Reasoning），这是一种在推理阶段利用结构化元推理为通用智能体构建特定任务脚手架的方法。提出的智能体 Dolores 通过将认知分配到低负载的推理线程中，减少了幻觉并提升了在多个基准测试上的表现，优于现有方法。