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

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

通过ChemBench等评估框架，我们发现大型语言模型在化学科学中展示出卓越的能力，但仍需进一步研究以提高其安全性和实用性。

Apr, 2024

本研究设计和装备MolX作为一种多模态外部模块，通过使用特定编码器从SMILES字符串和2D分子图表示中提取细粒度特征，从而增强了大型语言模型（LLMs）在理解分子方面的能力。实验结果表明，我们提出的方法在多种分子相关任务中表现出色，包括从分子到文本的翻译和分子的逆合成，无论是否对LLM进行微调。

Jun, 2024

本研究解决了化学图像理解与文本分析之间的不兼容性问题，提出了首个专注于化学领域的开源多模态大语言模型ChemVLM。该模型不仅结合了强大的图像编码器，还在多个基准测试中表现卓越，实现了五项任务的最先进结果，展示了其在化学领域的显著潜力和影响。

Aug, 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

本研究解决了现有单模态特定模型和新兴大型多模态模型无法覆盖化学数据的广泛需求的难题。我们提出了首个化学跨模态对话基础模型ChemDFM-X，通过生成多样化的多模态数据，构建了一个包含760万条数据的指令调优数据集。ChemDFM-X在不同化学任务上展现出其多模态和跨模态知识理解的能力，为化学领域的通用智能奠定了重要基础。

Sep, 2024