BioAlchemy：从生物文献中提炼推理训练数据，打造专业科学推理模型

本文提出BioAlchemy流程，从生物研究文献中提取可验证的科学推理问题，构建34.5万条专业数据集，通过主题对齐和强化学习训练出BioAlchemist-8B模型，在生物基准测试上提升9.12%。该工作解决了生物学AI推理滞后的问题，为科学AI领域提供新思路。

生物学数据丰富，但推理模型在生物任务上表现落后于数学和编程领域。核心原因是现有推理数据集主题分布与现代生物学研究严重错位（集中经典主题，缺乏前沿领域覆盖），导致模型处理实际问题时性能下降。此外，从生物文献提取可验证问题存在复杂性、语境依赖和验证困难等挑战。

BioAlchemy流程包含文献筛选、问题生成、答案提取、可验证性检查、多样性保证等步骤，关键创新是显式主题对齐（分析期刊趋势、识别新兴领域、调整采样权重）。构建的BioAlchemy-345K数据集具有规模大（34.5万条）、多样性（覆盖多子领域）、可验证性（有明确依据）、主题对齐等特点。

利用BioAlchemy-345K数据集训练的BioAlchemist-8B模型（8B参数）采用强化学习，关注推理链生成、生物知识应用和跨领域整合。评估显示，模型在生物基准测试上相对提升9.12%，跨任务泛化性好，主题对齐任务提升尤为明显。

BioAlchemy核心贡献：揭示数据集主题错位问题；开发文献到训练数据转化流程；构建345K数据集；训练出性能提升的专业模型。该工作强调领域特定数据、可验证性和主题对齐对科学AI的重要性。

应用前景：辅助生物研究（文献综述、假设生成、实验设计）、教育（个性化学习）、跨学科合作。局限性：部分问题需专家验证、细分领域覆盖不足、复杂推理能力有限。未来方向：扩展到其他科学领域、多模态整合、实时知识更新、人机协作推理。