MDAgent2：面向分子动力学领域的代码生成与知识问答大模型框架

北京大学团队发布MDAgent2，作为分子动力学领域首个端到端大语言模型框架，支持LAMMPS脚本自动生成与领域知识问答。通过三阶段后训练（持续预训练、监督微调、强化学习）及创新的MD-GRPO闭环强化学习机制，显著提升代码可执行性，降低MD模拟门槛，推动AI for Science在工业级模拟场景的应用。

分子动力学（MD）模拟是材料科学、生物物理和化学工程的核心研究手段，但编写高质量LAMMPS脚本需深厚领域知识与实践经验，门槛限制技术普及。通用大语言模型在该领域面临三大挑战：领域高质量数据稀缺、闭源模型部署成本高、生成代码缺乏可执行性验证，MDAgent2针对这些痛点设计。

MDAgent2采用模块化多智能体架构，含MD-Instruct（知识问答与指令理解）和MD-Code（LAMMPS代码生成）两个领域模型。构建三个高质量数据集：MD-Knowledge（基础理论与概念）、MD-InstructQA（结构化问答对）、MD-CodeGen（自然语言与LAMMPS脚本配对），为模型训练提供坚实基础。

采用渐进式三阶段训练：1.持续预训练（CPT）：在MD相关文献和代码上无监督学习，建立领域语言理解；2.监督微调（SFT）：用标注指令数据和代码对训练，实现自然语言转LAMMPS命令及回答专业问题；3.强化学习（RL）：创新MD-GRPO方法，以模拟结果为奖励信号形成闭环反馈。

MD-GRPO将LAMMPS模拟器纳入训练循环，融合代码生成与执行验证，关注代码实际执行行为。关键特性是低奖励轨迹回收：分析失败脚本的错误模式，提取中间信息用于后续训练，提升样本效率。

开发MDAgent2-RUNTIME部署系统，整合代码生成、自动执行、结果评估、自我纠错模块，用户自然语言描述需求即可完成全流程。构建MD-EvalBench基准测试集，含代码生成和问答任务，评估代码可执行性与物理合理性。测试显示MDAgent2优于强基线模型。

提供Python API、Web应用等使用接口，支持Docker部署，开源训练流程与微调脚本。未来有望扩展到量子化学等更多科学计算领域，帮助研究者聚焦物理问题设计与分析，助力教育普及。开源发布推动领域发展，期待更多参与。