Chem-R: Lernen, wie ein Chemiker zu schlussfolgern

Chem-R: Learning to Reason as a Chemist

October 19, 2025

papers.authors: Weida Wang, Benteng Chen, Di Zhang, Wanhao Liu, Shuchen Pu, Ben Gao, Jin Zeng, Lei Bai, Wanli Ouyang, Xiaoyong Wei, Tianshu Yu, Tianfan Fu, Shuzhou Sun, Jiatong Li, Zifu Wang, Yuqiang Li, Shufei Zhang

cs.AI

papers.abstract

Obwohl große Sprachmodelle (LLMs) ein erhebliches Potenzial zur Weiterentwicklung der chemischen Entdeckung haben, mangelt es aktuellen LLMs an grundlegendem chemischen Wissen, sie erzeugen unzuverlässige Denkpfade und zeigen suboptimale Leistungen bei verschiedenen chemischen Aufgaben. Um diese Herausforderungen zu bewältigen, schlagen wir Chem-R vor, ein generalisierbares Chemical Reasoning-Modell, das darauf abzielt, die deliberativen Prozesse von Chemikern nachzuahmen. Chem-R wird durch ein dreiphasiges Framework trainiert, das schrittweise fortgeschrittene Denkfähigkeiten aufbaut, einschließlich: 1) Chemical Foundation Training, das grundlegendes chemisches Wissen etabliert. 2) Chemical Reasoning Protocol Distillation, das strukturierte, expertenähnliche Denkspuren einbezieht, um systematisches und zuverlässiges Problemlösen zu leiten. 3) Multi-task Group Relative Policy Optimization, die das Modell für eine ausgewogene Leistung über verschiedene molekulare und reaktionsbezogene Aufgaben optimiert. Diese strukturierte Pipeline ermöglicht es Chem-R, Spitzenleistungen auf umfassenden Benchmarks zu erzielen und führende große Sprachmodelle, einschließlich Gemini-2.5-Pro und DeepSeek-R1, um bis zu 46 % bei molekularen Aufgaben und 66 % bei Reaktionsaufgaben zu übertreffen. Gleichzeitig übertrifft Chem-R auch die bestehenden chemischen Grundlagenmodelle konsequent sowohl bei molekularen als auch bei reaktionsbezogenen Aufgaben. Diese Ergebnisse unterstreichen die robuste Generalisierungsfähigkeit, Interpretierbarkeit und das Potenzial von Chem-R als Grundlage für die nächste Generation der KI-gestützten chemischen Entdeckung.

English

Although large language models (LLMs) have significant potential to advance chemical discovery, current LLMs lack core chemical knowledge, produce unreliable reasoning trajectories, and exhibit suboptimal performance across diverse chemical tasks. To address these challenges, we propose Chem-R, a generalizable Chemical Reasoning model designed to emulate the deliberative processes of chemists. Chem-R is trained through a three-phase framework that progressively builds advanced reasoning capabilities, including: 1) Chemical Foundation Training, which establishes core chemical knowledge. 2) Chemical Reasoning Protocol Distillation, incorporating structured, expert-like reasoning traces to guide systematic and reliable problem solving. 3) Multi-task Group Relative Policy Optimization that optimizes the model for balanced performance across diverse molecular- and reaction-level tasks. This structured pipeline enables Chem-R to achieve state-of-the-art performance on comprehensive benchmarks, surpassing leading large language models, including Gemini-2.5-Pro and DeepSeek-R1, by up to 46% on molecular tasks and 66% on reaction tasks. Meanwhile, Chem-R also consistently outperforms the existing chemical foundation models across both molecular and reaction level tasks. These results highlight Chem-R's robust generalization, interpretability, and potential as a foundation for next-generation AI-driven chemical discovery.