Chem-R: Aprendiendo a razonar como un químico

Chem-R: Learning to Reason as a Chemist

October 19, 2025

Autores: 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

Resumen

Aunque los modelos de lenguaje de gran escala (LLMs, por sus siglas en inglés) tienen un potencial significativo para impulsar el descubrimiento químico, los LLMs actuales carecen de conocimientos químicos fundamentales, producen trayectorias de razonamiento poco confiables y muestran un rendimiento subóptimo en diversas tareas químicas. Para abordar estos desafíos, proponemos Chem-R, un modelo de Razonamiento Químico generalizable diseñado para emular los procesos deliberativos de los químicos. Chem-R se entrena a través de un marco de tres fases que construye progresivamente capacidades avanzadas de razonamiento, incluyendo: 1) Entrenamiento de Fundamentos Químicos, que establece conocimientos químicos básicos. 2) Destilación de Protocolos de Razonamiento Químico, incorporando trazas de razonamiento estructuradas y similares a las de expertos para guiar la resolución sistemática y confiable de problemas. 3) Optimización de Política Relativa de Grupo Multi-tarea, que optimiza el modelo para un rendimiento equilibrado en diversas tareas a nivel molecular y de reacción. Esta canalización estructurada permite que Chem-R alcance un rendimiento de vanguardia en evaluaciones integrales, superando a los principales modelos de lenguaje de gran escala, como Gemini-2.5-Pro y DeepSeek-R1, hasta en un 46% en tareas moleculares y un 66% en tareas de reacción. Además, Chem-R también supera consistentemente a los modelos de fundamentos químicos existentes en tareas tanto a nivel molecular como de reacción. Estos resultados destacan la robusta generalización, interpretabilidad y potencial de Chem-R como base para el descubrimiento químico impulsado por IA de próxima generación.

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.