跳转到正文

LlaSMol

OSU Natural Language Processing Group

LlaSMol 是基于大规模化学指令数据集 SMolInstruct 微调的化学大语言模型系列(含 4 个发布模型),覆盖名称转换、性质预测、反应预测等任务,代码 MIT 许可。

条目更新 ·

概览

LlaSMol 是论文 “LlaSMol: Advancing Large Language Models for Chemistry with a Large-Scale, Comprehensive, High-Quality Instruction Tuning Dataset”(arXiv 2402.09391)提出的化学大语言模型系列,由俄亥俄州立大学 NLP 组开发。本仓库是该论文的官方代码发布。

README 记录了项目页面、Hugging Face 上的 SMolInstruct 数据集(osunlp/SMolInstruct)以及四个发布模型(LlaSMol-Galactica-6.7B、LlaSMol-Llama2-7B、LlaSMol-CodeLlama-7B、LlaSMol-Mistral-7B),训练覆盖 4 类 14 项任务,包括名称转换、性质预测与反应相关任务,README 中给出输入输出示例。

仓库代码采用 MIT 许可。Hugging Face 上的四个发布物包含 LoRA 适配器权重,并非可独立运行的完整基座模型;四张模型卡均声明 CC BY 4.0。SMolInstruct 数据集也明确采用 CC BY 4.0。加载适配器需要对应的 Galactica、Llama2、CodeLlama 或 Mistral 基座模型,其独立条款仍适用。模型卡说明研究用途,并警示输出可能错误。生成的结构、反应与性质答案应对照权威化学来源核实。模型卡:https://huggingface.co/osunlp/LlaSMol-Mistral-7B ;数据集:https://huggingface.co/datasets/osunlp/SMolInstruct

主要功能

  • 基于 Galactica、Llama2、CodeLlama 与 Mistral 骨干的四个指令微调化学 LLM 变体。
  • 以发布于 Hugging Face 的大规模化学指令数据集 SMolInstruct 训练。
  • 覆盖 README 记录的 4 类 14 项任务,包括名称转换与性质预测。

使用场景

  • 试验用于性质与反应问答的指令遵循化学助手。
  • 使用公开数据集与代码复现或扩展论文的微调管线。

使用方式

按仓库生成示例,将具名 LlaSMol LoRA 适配器与对应基座模型一起加载,并使用文档规定的 SMILES 与 IUPAC 名称输入标签。适配器卡声明 CC BY 4.0,代码为 MIT,SMolInstruct 为 CC BY 4.0;基座模型按其独立条款获取。发布物面向研究,输出需要化学核验。参见:https://github.com/OSU-NLP-Group/LLM4Chem

来源与核查边界

本条目说明所链接项目来源中记载的能力。条目编辑更新不代表完成过运行测试、兼容性测试或科学性能评估。

当前条目版本的仓库来源核查日期:

查看编辑与核查政策

相关资源

ASKCOS

平台

ASKCOS 是科研合成规划平台,提供逆合成、正向预测和反应分析模块,并有托管界面及模块化部署文档。

Python

反应预测 · 逆合成

Graph2SMILES 是用于单步逆合成和化学反应结果预测的图到序列模型。

开源Python

反应预测 · 逆合成

Molfeat

开源工具

Molfeat 是一款用于小分子特征化的 Python 工具包,将分子指纹、描述符和预训练嵌入与并行转换、缓存及可扩展插件相结合。

开源Python

分子性质预测 · 化学信息学

Mordred

开源工具

Mordred 是一款 Python 分子描述符计算器,支持命令行和基于 RDKit 的库工作流,可生成用于化学信息学分析和下游模型评估的描述符表。

开源Python

分子性质预测 · 化学信息学

RxnMapper

模型

RxnMapper 利用无监督 ALBERT 模型的注意力机制,为有效的反应 SMILES 分配原子映射,并通过 Python 接口返回映射反应和置信度分数。

开源Python

化学信息学 · 反应预测

RXN Reaction Preprocessing 是化学反应数据集预处理管线,支持标准化、过滤、增强、分割与分词。

开源Python

化学信息学 · 反应预测

相关指南

模型

如何在 Chemprop 和 DeepChem 之间选择

比较 Chemprop 对分子性质预测的专注方向与 DeepChem 更广泛的科学机器学习范围,然后通过共享数据、明确的输入与输出以及可复现的决策标准,规划公平的评估。