arXiv · cs.AI · Gabriel Asher, Cailum M. K. Stienstra, Tomo Oga, Devesh Shah Antonio H. de O. Fonseca, Niall O'Connor, Michael Widrich · 10 小时前模型评分43
研究：大语言模型（LLM，Large Language Model） 在 MS/MS 结构解析中依赖专用工具实现分布外泛化
LLMs Depend on Specialist Tools for Out-of-Distribution Generalization in MS/MS Structural Elucidation
导读
一项基于 MassSpecGym 构建 100 种分析物基准的研究发现，前沿大语言模型（LLM，Large Language Model）在无工具时对文献充分记录的样本 Top-1 准确率为 52%，对基本无记录的分布外样本仅 2%。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
应用领域：科学研究
事件类型：研究发布
证据摘录
- “These results suggest that LLMs are not effective at de novo MS/MS structural elucidation on their own, and that further gains depend on the specialist tools available to the agent rather than on the LLM itself.”
来源：arXiv · cs.AI · arxiv.org