arXiv · cs.AI · Stepan N. Ostarkov, Gregorii A. Semakin, Ivan A. Bespalov, Michael G. Medvedev · 11 小时前模型评分50
通用基础模型在化学性质预测任务上超过专用模型
General-purpose foundation models surpass specialized ones on chemical property prediction tasks
导读
一项 arXiv 研究比较了化学专用基础模型与通用基础模型在化学性质预测任务上的准确率，结果显示在仅有 60 个实验数据点时，GPT-6 Astra 在五项物理化学和量子化学回归任务上优于当前可用的化学基础模型。
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
- “Strikingly, general-purpose GPT-6 Astra outperforms the currently eligible chemical FMs on five physicochemical and quantum-chemical regression tasks when only 60 experimental datapoints are available.”
- “Only when provided 10x datapoints do the best chemical FMs reach performance of GPT-6 Astra: on 1,000 and 10,000 points they show performance on par with Astra on 60 and 1,000 points, respectively.”
来源：arXiv · cs.AI · arxiv.org