本文针对大语言模型在化学领域能力的未知，建立起一个包含8个化学实践任务的全面基准，运用GPT-4、GPT-3.5和Davinci-003三种GPT模型以零样本和少样本的情境下进行测试，发现GPT-4相较于其他两种模型表现更佳，而GPT模型在需要精确理解分子SMILES表示的任务中较为欠缺，而在文本相关的说明任务方面表现出较强的能力。

May, 2023

本文研究利用大型语言模型（LLMs）解决复杂的化学问题的问题，提出了InstructChem，一种新的结构化推理方法，极大地提升了LLMs的化学推理能力。

Nov, 2023

化学研究中的大型语言模型，ChemDFM，具有高度专业化的语言和知识，并在化学任务中表现出强大的性能和效果。

Jan, 2024

将大型语言模型 (LLMs) 整合到化学领域是一个复杂的任务，本文以细致的方法论探索了该跨学科领域的复杂性和创新，从分子信息如何通过各种表示和标记方法导入LLMs开始，将化学LLMs分为三个不同的群体，并讨论了将这些输入整合到LLMs的方法，然后探讨了应用LLMs在化学中的多样化应用，包括在化学任务中的新范例，最后确定了有望的研究方向，包括进一步整合化学知识，持续学习的进展以及模型可解释性的改进，为该领域的突破性发展铺平了道路。

Feb, 2024

ChemLLM是第一个专门用于化学领域的大型语言模型，通过使用结构化化学知识构建对话系统，能够在化学学科中顺畅交互完成各种任务，包括名称转换、分子标题和反应预测，并在相关数学和物理任务中展现出出色的适应性。

Feb, 2024

我们研究了基于SMolInstruct数据集进行fine-tune的大型语言模型在化学任务上表现出色，特别是Mistral模型，同时，我们还分析了可训练参数的影响，为未来的研究提供了一些见解。

Feb, 2024

大规模语言模型（LLMs）在化学领域中以其准确预测性能、设计新分子、优化合成路径和加速药物和材料发现等能力成为一个强大的工具。本综述讨论了LLMs的历史、性能、设计以及在化学领域的挑战和未来方向，特别关注于代理人（agents）及其作为一个跨化学模式的出现。代理人在化学的各个领域中表现出了很好的效果，但依然存在挑战。开发面向特定领域的代理人和开发自主流程与“副驾驶”系统的对比对于加速化学进程尚不清楚。一种新兴的方向是开发使用人工智能辅助的多代理人系统。由于该领域的快速发展，已经建立了一个仓库，以追踪最新研究。

Jun, 2024

本研究解决了现有化学大语言模型在处理视觉信息方面的不足，提出了一种名为ChemVLM的多模态大语言模型，专门应用于化学领域。ChemVLM经过双语多模态数据集训练，能够更好地理解文本和视觉信息，实验结果表明其在多个评估任务中表现优异，对化学领域具有潜在的深远影响。

Aug, 2024

本研究解决了大型语言模型在化学空间探索中的应用问题，提出了一种新的方法，通过对开源Llama模型进行有监督微调和直接偏好优化，开发出一种化学语言模型。最重要的发现是，该模型能够生成符合药物开发需求的分子，具有广泛的应用潜力。

Sep, 2024

本研究解决了现有大型语言模型（LLMs）评估在化学领域的不足，提出了ChemEval评估体系，以评估LLMs在多种化学任务中的能力。结果表明，一般LLMs在文献理解方面表现良好，但在需要高级化学知识的任务中存在不足，而专用LLMs则在化学能力上有所提升，这显示了优化LLMs以应对复杂化学任务的潜力。

Sep, 2024