标签
提出 acquisition function-guided generation (AFGG) 方法，通过将采集函数倾斜的分布嵌入扩散桥，在离散空间上结合预训练生成模型与数据空间代理模型进行贝叶斯优化；在分子设计基准上，基于流的变体在多数场景中超越现有最优方法。
MolDesignBench是一个新的基准测试，用于评估基于场景的分子设计中的LLM智能体，包含2000个具有隐式和显式约束的实例，揭示了当前前沿的LLMs成功率较低，尤其是在推理隐式约束和检测不可行性方面。
Fraglingo引入了一种连接感知的自回归模型，用于分子设计，该模型通过在连续潜空间中联合预测片段身份和连接来生成分子，增强了属性控制和灵活性。
本文介绍了 CAi Copilot，一个面向专家的智能体，由三个相互关联的层次组成，可将分子设计意图转化为可执行、可追踪的工作流，在 45 项任务中取得了最强性能。
本文提出JoPMol，一种联合控制的精准分子生成模型，整合基因表达谱、分子结构文本和化学性质，生成个性化候选药物，性能优于现有最先进方法。
提出了两种互补方法，将预测不确定性融入化学语言模型的强化学习中，提高了鲁棒性，并在从头分子设计中将真实命中率提升了0.25。
介绍了约束流优化（CFO）框架，该框架通过微调生成流模型，在分子设计中最大化奖励的同时满足约束，具有理论保证和实验验证。
EPFL的研究人员开发了Synthegy，一个利用大型语言模型通过自然语言指令指导化学逆合成和反应机理分析的AI框架，显著提升了化学家的战略规划能力。
ChemAmp 引入了一种工具增强范式，通过动态协调专门的化学工具（UniMol2、Chemformer）作为可组合智能体来增强分子任务的性能。该框架性能超越了化学专用模型，并相比传统多智能体系统将推理令牌成本降低了 94%。