前沿LLM构象排序据称胜过UFF力场
AI 总结
俄罗斯有机化学研究所与佛罗里达州立大学研究人员以DFT能量为基准，测试大模型对27个小有机分子810种构象的稳定性排序。掘金·人工智能称，GPT-5.6 Sol、Kimi K3和Gemini 3.6 Flash超过经典UFF力场，GPT-6 Astra与Claude Opus 5则接近现代GFN-FF力场。模型在氢键等量化充分的概念上表现较好，但在环张力等模糊概念上容易失败。
深度见解
该基准为检验前沿LLM能否依据文本几何描述判断分子稳定性提供了具体方法，但样本仅覆盖27个小分子，难以代表全部化学空间。
💡 一句话总结：按稳定性给分子的构象排序，是化学家眼中最基本的「立体感觉」——它需要真正理解三维结构。一项新实测发现：最新的前沿 LLM 无师自通地获得了这种能力，排序准确率超过经典力场、逼近现代力场。更有趣的是失败模式：模型擅长氢键这种「教科书量化充分」的概念，却在「环张力」这类模糊概念上集体翻车。
导语：一个从没被教过的能力，出现在了考试成绩里
LLM 是用文本训练的。文本里没有三维坐标，没有能量面，没有分子在空间中的形状——按理说，它不可能「懂」分子的立体几何。
但化学家的工作大量依赖几何直觉：同一个分子，原子连接顺序完全相同，只是空间摆位不同，性质可能天差地别。判断哪个摆位更稳定（构象排序），是药物设计、材料计算的入门基本功。这种能力需要吗？需要。有人训练过吗？没有。测过吗？也没有。
#Russian Organic Chemistry Institute#Florida State University#GPT-5.6 Sol#Kimi K3#Gemini 3.6 Flash#GPT-6 Astra#Claude Opus 5#UFF#GFN-FF#DFT