LFD 方法用 LLM 当老师,自然语言目标可训练分子生成模型
mmbronstein · x · 2026-10-15
新预印本提出 LLM-to-Flow Distillation (LFD),把 LLM 的高层科学知识蒸馏进科学生成模型,让「设计能结合 D2 多巴胺受体的分子」这类自然语言目标成为可直接训练的目标。
- 方法核心:LLM 根据生成器当前能力动态出「子目标」,通过迭代 DPO 将目标相关知识转移给 flow 模型,形成自适应课程
- 优势:无需任务特定的代理奖励函数,任意前沿 LLM 经 API 即可接入,不改生成器架构
- 效果:在 held-out 指标上超过 FlowGRPO、DiffusionNFT 等 SOTA 奖励引导方法,宣称可适配任何科学生成器(多肽、小分子等)
所属事件:ETH 等提出 LFD：用冻结 LLM 蒸馏自然语言目标给科学生成器(5 条相关)→
「研究」频道最新
- 物理基准测 8 个视频模型：第一名 Seedance 2.5 也仅 57.76 分 — jiqizhixin · 2026-10-15
- Toby Ord 晒 OpenAI 曲线:RL 训练算力未见明显减速 — tobyordoxford · 2026-10-15
- MIT斯坦福谷歌等联合综述:7 项机器人自我改进研究 5 项无法跨任务复现增益 — rohanpaul_ai · 2026-10-15
- Cohere Labs 开放科学社区下周三场公开技术分享 — Cohere_Labs · 2026-10-15
- Cohere Labs 研究员分享各语言内推理研究实录 — Cohere_Labs · 2026-10-15
- PanSt3R 开源：多视角一致性全景分割做 3D 重建 — rsasaki0109 · 2026-10-15