原始来源日期:2026-10-01。
原文编译
论文从化学直觉出发:研究者常先形成对结果的粗略预期,再展开显式推导。作者希望模型的连续隐状态也能学习这种“面向未来”的抽象信息,而不要求每一步都转换成自然语言思维链。
框架将传统自回归目标与JEPA式联合嵌入预测结合,要求当前隐思预测一个或多个未来视图。未来视图既可以是后续文字推理,也可以是分子结果,从而把语言过程和结构结果放入同一训练信号。
在化学任务中,作者构造文本与分子预测目标,使隐状态对接下来的解决路径和分子性质都具有信息。ChemCoTBench实验报告分子优化以及若干编辑和反应指标提升。
表征分析显示,加入未来预测后,隐思对分子结果包含更多信息,并与化学结构表现出更强对应。该发现支持“抽象未来预测”作为连续推理学习原则,但没有证明隐状态等同于人类可解释的化学直觉。
论文结果来自特定基准,摘要没有说明所有数据拆分、泄漏控制和失败类型。隐状态难以直接审计,指标上升也不保证化学有效性、安全性或实验可合成性。
量仔观察
本站认为这条路线的价值是为“非语言化推理”提供可训练目标,但科学应用必须保留外部验证。模型可以用隐空间形成候选,最终仍需结构约束、反应规则和实验数据校验。
工程评估应把新颖性、有效性、可合成性和不确定性分开,并测试分布外分子。若只看单一综合分数,很容易把对训练集结构的更好编码误判为通用科学推理。
