七款前沿LLM分子属性预测及自报不确定性评估
热点事件持续更新
七款前沿LLM分子属性预测及自报不确定性评估
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年11月2日，Matthias Busch等人在arXiv平台发表论文，评估了7款前沿大语言模型（LLM）结合上下文示例预测分子属性及自报不确定性的能力，并与在传统分子数据上训练的经典基线模型进行对比。\n\n研究结果显示，当上下文示例数量达到30个时，最准确的LLM性能超越了所有传统基线模型。然而，LLM自报不确定性与预测误差的Spearman秩相关系数最高仅为0.46，表明模型对自身预测准确度的自我认知能力有限。\n\n此外，在污染数据集ESOL上，模型性能未随上下文示例的增加而改进，研究指出这表明该数据集已被模型记忆，影响了评估的独立性与有效性。
AI 根据报道生成 · 3 小时前更新
最新进展11月2日 13:00
7 款前沿 LLM 在分子属性预测中的自报不确定性评估：当上下文示例达 30 个时，最准确模型优于传统基线报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · ML7 款前沿 LLM 在分子属性预测中的自报不确定性评估：当上下文示例达 30 个时，最准确模型优于传统基线
研究评测了 7 款前沿 LLM 结合上下文示例预测分子属性及自报不确定性的能力。 在 30 个上下文示例时，最准确的 LLM 性能超越所有传统基线；自报不确定性与预测误差的 Spearman 秩相关系数最高仅 0.46。 LLM 在污染数据集 ESOL 上未随上下文增加而改进，表明该数据集已被模型记忆。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 1011月2日 14:00
- 近 24 小时变化
- –
02.557.510
14:0015:0016:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。