SciCore-Mol：为大型语言模型赋予分子认知能力的可插拔架构

清华大学OpenBMB团队提出SciCore-Mol框架，通过GVP编码器、扩散生成器和反应Transformer三个可插拔模块，让大型语言模型（LLM）在保持通用能力的同时，获得专业的分子理解与生成能力，解决LLM处理分子结构时的信息丢失和语义噪声问题，实现化学任务的专业化处理。

大型语言模型（LLM）在自然语言处理领域表现出色，但处理分子结构这类拓扑几何数据时存在根本局限：分子结构需保留三维空间信息，而LLM擅长离散符号序列；将分子转为SMILES等线性文本会丢失信息、引入语义噪声，严重影响药物发现、材料科学等领域的推理准确性。

SciCore-Mol的三模块设计：

1. GVP编码器：基于图神经网络捕捉分子三维空间信息（键长、键角、原子位置），保留拓扑几何特征；
2. 扩散生成器（LDMol）：通过潜在扩散模型生成符合条件（目标性质、结构约束）的新分子；
3. 反应Transformer：数值敏感型模块，训练于大量反应数据，预测产物、产率及反应条件。

SciCore-Mol采用两阶段训练确保模块与LLM融合：

• 独立预训练：GVP编码器通过MLP适配器对齐分子嵌入到LLM隐藏空间；反应Transformer在反应数据上训练；
• 联合微调：LLM通过<mol>标记调用模块，模块输出与LLM表示在隐藏层融合，保留通用推理能力。模块支持按需插拔，可扩展新功能。

SciCore-Mol在多基准测试中验证效果：

• ChemBench：分子性质预测、反应产物预测等任务优于基线；
• SMolInstruct：分子指令遵循能力达标；
• MMLU子集：通用知识能力未下降；
• ADMET：药物代谢毒性预测准确。结果证明其专业能力与通用能力的平衡。

基于Qwen3-8B等开源LLM构建，支持DeepSpeed ZeRO-3分布式训练。提供完整脚本：训练自动化、多基准评估工具、模块拆分工具。环境要求Python3.10、CUDA12.1，推荐8x A800/A100 GPU，依赖管理用uv，支持GVP-GNN和FlashAttention。

SciCore-Mol可扩展至蛋白质结构预测（集成AlphaFold类模块）、晶体学分析、材料模拟等领域。制药行业可通过自然语言交互，让模型生成符合目标性质的分子，推动药物发现范式升级。

SciCore-Mol通过可插拔架构解决LLM处理分子数据的认知矛盾，保留通用推理优势的同时赋予专业分子能力。这种“通用基础+专业模块”的设计，为科学AI发展提供了重要参考。