LFD 方法:无需奖励函数,用 LLM 指导流模型设计抗癌肽
kastnerkyle · x · 2026-10-16
研究者提出 LLM-to-Flow Distillation(LFD),把 LLM 的科学知识蒸馏进领域特定的生成流模型,使「设计具有抗癌活性的肽」「设计结合 D2 多巴胺受体的小分子」这类自然语言目标可以直接驱动科学生成器。方法通过对 LLM 生成的子目标做迭代 DPO,无需任务专属代理奖励,只需 API 访问任意前沿 LLM,在保留集上超过 FlowGRPO、DiffusionNFT 等奖励引导的 SOTA 方法,解决了生物设计中目标超出分布或奖励难以定义的问题。
所属事件:ETH 等机构提出 LFD：用 LLM 蒸馏让分子生成器听懂自然语言目标(7 条相关)→
「研究」频道最新
- WEDGE 框架：用导航智能体自身失败生成针对性训练环境 — mohitban47 · 2026-10-16
- 上交大 AutoLab 发布 Drive3R:流式 3D 重建基础模型瞄准自动驾驶 — AutoLab-SJTU · 2026-10-16
- 独立研究者发布 Cortex:用重放实测自动进化与修剪编码 Agent 的 skills 和 rules — Samuele Giampieri · 2026-10-16
- 团队用「零延迟实验室」测出 agent 药物发现是否靠预训练记忆作弊 — niloofar_mire · 2026-10-16
- 2.6 亿参数循环扩散模型反超 6 倍大小基线，推理算力省近 5 倍 — burkov · 2026-10-16
- 斯坦福 NCM 先画草稿再并行补细节，单 H100 生成提速 21 倍 — lmoroney · 2026-10-16