AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：覆蓋 7 百萬(wàn)問(wèn)答數(shù)據(jù)，上海 AI Lab 發(fā)布 ChemLLM，專(zhuān)業(yè)能力比肩 GPT-4
關(guān)鍵字：化學(xué),模型,數(shù)據(jù),任務(wù),能力
文章來(lái)源：HyperAI超神經(jīng)
內(nèi)容字?jǐn)?shù)：0字

內(nèi)容摘要：

作者：李姝
編輯：李姝，李寶珠
化學(xué)大語(yǔ)言模型 ChemLLM 是首個(gè)兼?zhèn)浠瘜W(xué)專(zhuān)業(yè)能力和對(duì)話(huà)、推理等通用能力的開(kāi)源大模型。目前 HyperAI超神經(jīng)官網(wǎng) (hyper.ai) 已上線(xiàn)「一鍵部署化學(xué)大模型 ChemLLM-7B-chat」，詳細(xì)教程詳見(jiàn)下文。隨著人工智能技術(shù)的飛速發(fā)展，大語(yǔ)言模型 (LLMs) 憑借其強(qiáng)大的自然語(yǔ)言處理能力，在生命科學(xué)、海洋學(xué)、材料化學(xué)等科學(xué)研究中被廣泛應(yīng)用。雖然，LLMs 在分子特性預(yù)測(cè)、分子生成和實(shí)驗(yàn)方案設(shè)計(jì)等化學(xué)相關(guān)任務(wù)上表現(xiàn)良好，但在處理各種化學(xué)下游任務(wù)時(shí)表現(xiàn)欠佳。
究其原因，直接將化學(xué)知識(shí)集成到語(yǔ)言模型中，主要面臨三大挑戰(zhàn)：首先，大多數(shù)化學(xué)信息和知識(shí)存儲(chǔ)在結(jié)構(gòu)化數(shù)據(jù)庫(kù)中，直接使用這些數(shù)據(jù)訓(xùn)練 LLMs 可能會(huì)損害模型處理自然語(yǔ)言的能力，使得模型的對(duì)話(huà)和邏輯推理能力發(fā)生退化；其次，在化學(xué)信息學(xué)中，分子用特殊符號(hào)表示，如 SMILES。然而這類(lèi)數(shù)據(jù)往往不符合自然語(yǔ)言的規(guī)范，因此常規(guī)的語(yǔ)言模型難以正確理解和生成這種符號(hào)；最后，化學(xué)數(shù)據(jù)和任務(wù)種類(lèi)繁多，設(shè)計(jì)一個(gè)靈活并能泛化到多種化學(xué)任務(wù)上的訓(xùn)練流程十分困難。
針對(duì)于此，上海人工智能實(shí)驗(yàn)室發(fā)布了化學(xué)大語(yǔ)言模

原文鏈接：覆蓋 7 百萬(wàn)問(wèn)答數(shù)據(jù)，上海 AI Lab 發(fā)布 ChemLLM，專(zhuān)業(yè)能力比肩 GPT-4

聯(lián)系作者

文章來(lái)源：HyperAI超神經(jīng)
作者微信：
作者簡(jiǎn)介：