LFD 方法用 LLM 蒸馏自然语言目标,操控科学生成模型设计分子
AllThingsApx · x · 2026-10-15
ETH 与合作团队发布 LLM-to-Flow Distillation(LFD)论文(arXiv:2610.17246),让 LLM 充当「老师」把高层自然语言的科学发现目标蒸馏进领域专用的 flow/扩散生成器。
- 工作方式:LLM 根据目标(如「设计有抗癌活性的多肽」「设计与 D2 多巴胺受体结合的小分子」)构建自适应课程子目标,再用 LLM 对候选的排序做迭代 DPO 微调生成器
- 无需任务专用的 proxy reward,只需 API 访问任意前沿 LLM
- 在 held-out 任务上优于 FlowGRPO、DiffusionNFT 等 SOTA reward 引导方法
作者认为分子设计的未来将由自然语言驱动,论文与代码均已公开。
所属事件:ETH等推出LFD方法，让科学生成器听懂自然语言(3 条相关)→
「研究」频道最新
- UW 提出 COUNT:用 n-gram 计数表扩展主存,1B 模型等效多 57% 算力 — UW · 2026-10-15
- Scale AI 发布 MA-Bench:借鉴军事任务规划测 LLM,最强模型也只答对 62% — Rodney Lafuente-Mercado · 2026-10-15
- 浙大等提出 ATAS 框架,用世界状态记忆让长视频生成跨镜头保持一致 — zju · 2026-10-15
- SNU 发布 HumanoidToolBench:18 任务评测人形机器人工具使用,真实 G1 数据 3.1k — snupilab · 2026-10-15
- Doc2Harness 首测 LLM 编程 agent 框架工程:GPT-6 Astra 通过率 53%,近半仍失败 — Yuyao Ge · 2026-10-15
- 中大团队调研 119 篇论文:benchmark 压缩可用部分评测估算全部排名 — SunYatsen · 2026-10-15