本文收录于专栏开源小分子生成和设计实践—— 专栏系统覆盖开源小分子生成与设计工具，点击订阅可跟踪后续更新。你让 GPT-4o 或 DeepSeek 做单步逆合成，Top-1 准确率通常只有个位数到 10% 出头——分子符号推理是通用大模型的短板。华东师大团队 2026 年 4 月在 CCS Chemistry 正式发表 ECNU-ChemGPT：用 848,176 条教材蒸馏问答对加 117.6 万条关键词扩展数据微调 Qwen2-72B 做化学问答，用 378 万条清洗后的 Pistachio 反应数据微调 T5-large 做逆合成，USPTO-50K 上 Top-1 达 68.3%（已知反应类型），并完整复现 7 条真实药物合成路线。这篇按论文原文与开源仓库逐项拆解它的双轨数据构建、专家模型分工与 BrainGPT 调度设计，同时标定真实数据集 19.6% 精确匹配的现实边界，帮你判断逆合成项目要不要引入它。关键字：ECNU-ChemGPT；逆合成预测；化学垂直大模型；BrainGPT；Pistachio；USPTO-50K；LoRA 微调；多模型调度目录§0. 相关教程与核心文献§1. 场景：通用 LLM 做化学为什么不行§2. 核心思路：三层架构与四条策略§3. 关键实验数据§4. 与同类工具对比§5. 局限与展望§6. 开源资源与可用性§7. 结语§0. 相关教程与核心文献资源链接与本文关系论文正式版（CCS Chemistry 2026）10.31635/ccschem.026.202607359本文主要数据来源arXiv 预印本 v2arXiv:2507.01444开放获取全文训练代码仓库github.com/ilog-ecnu/ECNU-ChemGPTQA 训练/推理代码BrainGPT 调度模块github.com/1920993165/BrainGPT1调度中枢代码收集的反应数据集github.com/zhangyq9697/ECNU-ChemGPT262 条药物路线数据Hugging Face 模型ALmonster/ChemGPT2-QA-72B问答模型权重§1. 场景：通用 LLM 做化学为什么不行你想给一个目标分子反推合成路线，把 SMILES 丢给 GPT-4o 或 DeepSeek，得到的答案要么结构式画错、要么编造不存在的反应——这是化学 AI 落地最常踩的坑。论文原文把通用大模型在化学领域的四个短板列得很直白：多模态知识难消化——文字描述、结构式、SMILES 记号混杂，通用模型没有为化学符号体系预训练；逆合成数据稀缺——可用反应数据要么规模太小（USPTO-50K 只有 5 万条），要么噪声太多；幻觉严重——模型给出看似有据实则虚构的答案，而化学恰恰是"错一个原子都不行"的学科；单模型多任务瓶颈——问答、逆合成、绘图全塞给一个模型，每样都不精。数字更能说明问题。论文 Table 2 实测：GPT-4o-mini 在 USPTO-50K 上 Top-1 准确率 0.06%、o3-mini 10.41%、DeepSeek-V3 2.76%、DeepSeek-R1 3.12%——通用模型在单步逆合成上几乎全军覆没。ECNU-ChemGPT 的答案不是"更大的通用模型"，而是"数据 + 专家 + 调度"的系统性工程。§2. 核心思路：三层架构与四条策略整个系统分三层，上图只画主干——两条数据通道喂两个专家模型，BrainGPT 负责按用户意图分发任务。2.1 数据层：双轨问答数据 + 清洗反应数据化学问答数据走两条独立构建路径：路径起点中间步骤产出教科书蒸馏400 本中英文权威教材Mathpix 转 Markdown → 结构化 Prompt → GPT-4o 生成问答对848,176 条问答对关键词引导扩展120 个基础化学词汇LLM 多轮迭代扩展 → 问题生成 → GPT-4o 批量作答406,806 条指令 + 117.6 万个问题按论文原文，教科书路线保证知识深度（覆盖有机、无机、分析、物化、生化），关键词扩展路线补广度——尤其有机金属催化、生物医药交叉这类教材覆盖不到的冷门方向。两条路互为补充，不是二选一。逆合成数据没用 USPTO-50K，直接上 Pistachio：原始 Pistachio 数据库 2,455 万条反应记录（约 600 万条去重后唯一反应）；RDKit 标准化 SMILES、去重、剔除重原子数 ≤3 的小分子干扰项；最终清洗出3,781,569 条高质量反应记录用于微调——规模是 USPTO-50K 的 75 倍。2.2 模型层：按任务选基座，不盲目堆参数子模型基座微调方式选型理由（论文原意）知识问答Qwen2-72B-InstructLoRA（约 1.17% 参数可训）推理能力强，LoRA 降算力成本逆合成T5-large（770M）全量微调编码器-解码器结构契合"产物→反应物"的序列到序列任务调度器ChatGLM3-6B两阶段训练轻量、多轮对话成熟、部署开销低训练资源是8 张 A800 80GB。72B 问答模型只训 1.17% 参数、逆合成只用 770M 的 T5-large——"分而治之、按任务选型"是这套工作最务实的地方。2.3 调度层：BrainGPT 是学出来的路由器BrainGPT 并非为化学专门打造——它是团队 2024 年 5 月开源的通用工具调用对话模型（github.com/1920993165/BrainGPT1，基于 ChatGLM3-6B 全量微调，BSD-3 协议），原始版本就支持问答、画图（SDXL）、识图（InternLM-XComposer）、B 站搜索、天气查询 5 类工具的自主调用。共同一作刘文涛把它"化学化"后移植进本工作（HF 上单独发布为 Braingpt1-Chem，12.5 GB），比 ChemGPT 论文早一年——这也是它能脱离两个专家模型独立部署的原因。化学版两阶段训练：先用人工标注小样本起步，再用真实用户日志纠错重训。它不是写死的 if-else——论文实测 1000 条真实用户查询：规则/关键词路由准确率 63.1%；BrainGPT 学习式路由96.5%。论文还指出静态 prompt 引导的工具调用在集成工具超过 3 个后性能明显退化，而现实中用户提问五花八门——"帮我逆合成这个分子"和"这个反应机理是什么"需要路由到不同专家。33 个百分点的路由提升，是多任务系统真正解决"接错线"问题的证据。§3. 关键实验数据3.1 化学问答：平均分超 GPT-4o 与 DeepSeek 系列按论文 Table 1（公众号推文转引的完整对比表与 arXiv 版一致），ECNU-ChemGPT 在 7 个基准上的综合平均分83.79，超过所有对比模型；大学化学单科 83.33（Qwen2 基座为 79.17）。论文正文还给出两个相对提升：相较 GPT-4o 平均分提升 8.5%，相较 DeepSeek-R1 提升 5.7%。模型大学化学高中化学MMLU 大学化学C-MHChem平均GPT-4o66.6752.6370.6762.9875.29DeepSeek-V377.7877.1966.3374.5280.99DeepSeek-R147.2263.1671.3383.8178.09Qwen2-72B（基座）79.1789.4760.3375.3481.61ECNU-ChemGPT83.3389.4761.0082.4583.79（完整 12 模型 × 8 基准的表建议读论文 Table 1；此处抽核心列。）3.2 逆合成：68.3% 的 Top-1 与真实药物路线验证基准测试（USPTO-50K，论文 Table 2/3）：口径Top-1 准确率已知反应类型68.3%未知反应类型50.1%对照：o3-mini（已知类型）10.41%对照：ChemDFM-8B（已知类型）6.47%68.3% 也超过了多数经典模板无关方法（RetroSim 52.9 / SCROP 59 / GLN 64.2 / LocalRetro 63.9），与图模型 RetroExplainer（66.8）同一梯队；未知反应类型 50.1% 低于 RetroExplainer 的 57.7——这是它与专用图模型的真实差距，选型时要看你的场景是否已知反应类型。真实药物路线验证（论文最具说服力的部分）：团队从文献和专利收集262 条真实药物合成路线（1,448 步单步反应），与训练集零重叠：评价口径Top-1Top-3Top-10Top-15精确匹配19.6%45.7%64.6%71.1%相似度 ≥95% 放宽20.9%50.8%81.1%98.2%模型完整复现（精确匹配）了 7 条真实药物合成路线：托伐普坦、瑞德西韦、达利雷生、阿贝西利、巴瑞克替尼、贝曲沙班（arXiv 版写 13 条，正式发表版修订为 7 条，以正式版为准）。注意精确匹配 Top-1 只有 19.6%——基准高分不等于车间可用，这是读这类论文必须留的清醒。§4. 与同类工具对比维度ECNU-ChemGPT通用 LLM（GPT-4o 等）经典逆合成模型（LocalRetro/GLN）ChemDFM 等化学 LLM单步逆合成 Top-1（USPTO-50K）68.3%个位数~10%60-67%4-6%化学知识问答83.79 平均75-81—弱于通用模型多任务调度BrainGPT 学习式路由单模型硬扛—单模型反应数据规模378 万条 Pistachio无领域微调5 万条 USPTO-50K百万级路线级验证262 条真实药物路线无少量案例无系统验证获取方式开源代码 + HF 权重API 付费开源部分开源选型建议：化学问答 + 逆合成一体化需求选 ECNU-ChemGPT（BrainGPT 调度是独有卖点）；只要单步逆合成且已知反应类型，图模型 RetroExplainer（66.8/57.7）在未知类型上更强，可作对照基线；通用模型直接做逆合成目前仍不可行，只适合做路线解读与文献检索。§5. 局限与展望论文自身承认与实测观察的局限：覆盖盲区——有机金属、光化学等小众反应类型数据不足，预测路线在这些方向不可靠；精确匹配偏低——真实药物数据集 Top-1 仅 19.6%，论文解释是实际工艺要考虑安全性、成本等非化学最优因素，但这也提醒基准高分 ≠ 工艺可用；宽松指标要审慎读——"相似度 ≥95% 算命中"这类标准展示潜力可以，直接当产出质量会误判；幻觉评估非金标准——幻觉率由 GPT-4o/DeepSeek-R1 双评审（微调后 0.395，相对降低 9.2%-21.0%），LLM-as-judge 本身有偏差；工程现状——训练代码 2025-07 后无更新（仓库 API 探活），在线服务 chemgpt.lrcwtech.com 返回 502、multiasr 超时（2026-10 时点核验），生产使用需自建。展望方向：扩充薄弱反应类型数据、加强分子表征与语言推理融合、把 BrainGPT 式调度推广到更多化学工具编排。§6. 开源资源与可用性按 GitHub 仓库与 Hugging Face 页面核验（2026-10 时点）：资源状态说明ilog-ecnu/ECNU-ChemGPT活但低活跃4★，Python，含 ChemGPT-QA 训练/推理代码ALmonster/ChemGPT2-QA-72BHF 在线72B 问答权重，vLLM/SGLang 加载1920993165/BrainGPT1活但低活跃6★，BSD-3，ChatGLM3 基座调度器zhangyq9697/ECNU-ChemGPT数据仓MIT，262 条药物路线 CSVchemgpt.lrcwtech.com 在线服务502官方在线服务当前不可用，需自部署multiasr.lrcwtech.com 多步工具超时同上自部署现实评估：逆合成模型（68.3% 主角）权重未发布——仓库saved/目录只有 config.json 无模型文件，378 万条 Pistachio 数据也未随仓库公开（NextMove 专利库，学术申请获取），复现需按论文流程自建数据重训基座 flan-t5-large。问答权重 ChemGPT2-QA-72B 页面核验288.9 GB fp32（63 分片），需多张 80GB 卡 vLLM 起（仓库带test_vllm.py，另附 7B/32B 训练脚本但未发布对应权重）。三件套里唯一单卡可跑的是调度器 Braingpt1-Chem（12.5 GB fp32，fp16 约 6.2 GB）——恰好它源自独立项目，可脱离专家模型单独测试工具路由能力。§7. 结语ECNU-ChemGPT 的价值不在"又一个化学 GPT"，而在三件可迁移的方法论：数据要两条路互补（教材蒸馏保深度、关键词扩展保广度）；模型要按任务分工（72B 问答 + 770M 逆合成，不盲目堆参数）；多任务要学习式调度（96.5% vs 63.1% 的路由准确率差距）。对逆合成项目而言，68.3% 的 Top-1 与 7 条真实药物路线复现证明了"领域微调 + 大规模清洗数据"路线的产出上限；而 19.6% 的精确匹配 Top-1 则标定了它的现实边界——它现在是资深合成人员的强助手，还替代不了路线设计里的工艺与成本判断。参考来源论文：Zhang Y, Liu W, Zhang Y, et al. ECNU-ChemGPT: A Large Language Model for Chemistry and Retrosynthesis Prediction. CCS Chemistry, 2026. 10.31635/ccschem.026.202607359预印本：Zhang Y, et al. A Large Language Model for Chemistry and Retrosynthesis Predictions. arXiv:2507.01444, 2025. arXiv 链接仓库：ilog-ecnu/ECNU-ChemGPT ｜ BrainGPT1 ｜ 反应数据集模型：ALmonster/ChemGPT2-QA-72B ｜ Braingpt1-Chem系列导航：专栏全集开源小分子生成和设计实践更多专栏：蛋白 / 抗体 / 多肽 / 核酸分子模拟 / 动力学 / 对接药物 / 设计 / 案例AI / Agent / 大模型开源蛋白结构预测分子模拟基础小分子药物设计案例AI Agent系列开源蛋白生成方法实践分子动力学模拟-Amber蛋白药物设计案例化学大模型开源多肽设计模型分子动力学模拟-Gromacs多肽药物设计案例《AI Agent原理与实战》开源多肽性质预测分子动力学模拟-OpenMM开源小分子生成设计CADD中的机器学习模型DNA/RNA药物设计結合自由能高效计算配置《MCP 入门实战》siRNA药物设计模型UCSF DOCK系列我胡师兄说药《AI入门实战2026》ASO药物设计模型rDock系列 LeDock系列 gnina系列《经典机器学习实战》
本文收录于专栏开源小分子生成和设计实践—— 专栏系统覆盖开源小分子生成与设计工具，点击订阅可跟踪后续更新。你让 GPT-4o 或 DeepSeek 做单步逆合成，Top-1 准确率通常只有个位数到 10% 出头——分子符号推理是通用大模型的短板。华东师大团队 2026 年 4 月在 CCS Chemistry 正式发表 ECNU-ChemGPT：用 848,176 条教材蒸馏问答对加 117.6 万条关键词扩展数据微调 Qwen2-72B 做化学问答，用 378 万条清洗后的 Pistachio 反应数据微调 T5-large 做逆合成，USPTO-50K 上 Top-1 达 68.3%（已知反应类型），并完整复现 7 条真实药物合成路线。这篇按论文原文与开源仓库逐项拆解它的双轨数据构建、专家模型分工与 BrainGPT 调度设计，同时标定真实数据集 19.6% 精确匹配的现实边界，帮你判断逆合成项目要不要引入它。关键字：ECNU-ChemGPT；逆合成预测；化学垂直大模型；BrainGPT；Pistachio；USPTO-50K；LoRA 微调；多模型调度目录§0. 相关教程与核心文献§1. 场景：通用 LLM 做化学为什么不行§2. 核心思路：三层架构与四条策略§3. 关键实验数据§4. 与同类工具对比§5. 局限与展望§6. 开源资源与可用性§7. 结语§0. 相关教程与核心文献资源链接与本文关系论文正式版（CCS Chemistry 2026）10.31635/ccschem.026.202607359本文主要数据来源arXiv 预印本 v2arXiv:2507.01444开放获取全文训练代码仓库github.com/ilog-ecnu/ECNU-ChemGPTQA 训练/推理代码BrainGPT 调度模块github.com/1920993165/BrainGPT1调度中枢代码收集的反应数据集github.com/zhangyq9697/ECNU-ChemGPT262 条药物路线数据Hugging Face 模型ALmonster/ChemGPT2-QA-72B问答模型权重§1. 场景：通用 LLM 做化学为什么不行你想给一个目标分子反推合成路线，把 SMILES 丢给 GPT-4o 或 DeepSeek，得到的答案要么结构式画错、要么编造不存在的反应——这是化学 AI 落地最常踩的坑。论文原文把通用大模型在化学领域的四个短板列得很直白：多模态知识难消化——文字描述、结构式、SMILES 记号混杂，通用模型没有为化学符号体系预训练；逆合成数据稀缺——可用反应数据要么规模太小（USPTO-50K 只有 5 万条），要么噪声太多；幻觉严重——模型给出看似有据实则虚构的答案，而化学恰恰是"错一个原子都不行"的学科；单模型多任务瓶颈——问答、逆合成、绘图全塞给一个模型，每样都不精。数字更能说明问题。论文 Table 2 实测：GPT-4o-mini 在 USPTO-50K 上 Top-1 准确率 0.06%、o3-mini 10.41%、DeepSeek-V3 2.76%、DeepSeek-R1 3.12%——通用模型在单步逆合成上几乎全军覆没。ECNU-ChemGPT 的答案不是"更大的通用模型"，而是"数据 + 专家 + 调度"的系统性工程。§2. 核心思路：三层架构与四条策略整个系统分三层，上图只画主干——两条数据通道喂两个专家模型，BrainGPT 负责按用户意图分发任务。2.1 数据层：双轨问答数据 + 清洗反应数据化学问答数据走两条独立构建路径：路径起点中间步骤产出教科书蒸馏400 本中英文权威教材Mathpix 转 Markdown → 结构化 Prompt → GPT-4o 生成问答对848,176 条问答对关键词引导扩展120 个基础化学词汇LLM 多轮迭代扩展 → 问题生成 → GPT-4o 批量作答406,806 条指令 + 117.6 万个问题按论文原文，教科书路线保证知识深度（覆盖有机、无机、分析、物化、生化），关键词扩展路线补广度——尤其有机金属催化、生物医药交叉这类教材覆盖不到的冷门方向。两条路互为补充，不是二选一。逆合成数据没用 USPTO-50K，直接上 Pistachio：原始 Pistachio 数据库 2,455 万条反应记录（约 600 万条去重后唯一反应）；RDKit 标准化 SMILES、去重、剔除重原子数 ≤3 的小分子干扰项；最终清洗出3,781,569 条高质量反应记录用于微调——规模是 USPTO-50K 的 75 倍。2.2 模型层：按任务选基座，不盲目堆参数子模型基座微调方式选型理由（论文原意）知识问答Qwen2-72B-InstructLoRA（约 1.17% 参数可训）推理能力强，LoRA 降算力成本逆合成T5-large（770M）全量微调编码器-解码器结构契合"产物→反应物"的序列到序列任务调度器ChatGLM3-6B两阶段训练轻量、多轮对话成熟、部署开销低训练资源是8 张 A800 80GB。72B 问答模型只训 1.17% 参数、逆合成只用 770M 的 T5-large——"分而治之、按任务选型"是这套工作最务实的地方。2.3 调度层：BrainGPT 是学出来的路由器BrainGPT 并非为化学专门打造——它是团队 2024 年 5 月开源的通用工具调用对话模型（github.com/1920993165/BrainGPT1，基于 ChatGLM3-6B 全量微调，BSD-3 协议），原始版本就支持问答、画图（SDXL）、识图（InternLM-XComposer）、B 站搜索、天气查询 5 类工具的自主调用。共同一作刘文涛把它"化学化"后移植进本工作（HF 上单独发布为 Braingpt1-Chem，12.5 GB），比 ChemGPT 论文早一年——这也是它能脱离两个专家模型独立部署的原因。化学版两阶段训练：先用人工标注小样本起步，再用真实用户日志纠错重训。它不是写死的 if-else——论文实测 1000 条真实用户查询：规则/关键词路由准确率 63.1%；BrainGPT 学习式路由96.5%。论文还指出静态 prompt 引导的工具调用在集成工具超过 3 个后性能明显退化，而现实中用户提问五花八门——"帮我逆合成这个分子"和"这个反应机理是什么"需要路由到不同专家。33 个百分点的路由提升，是多任务系统真正解决"接错线"问题的证据。§3. 关键实验数据3.1 化学问答：平均分超 GPT-4o 与 DeepSeek 系列按论文 Table 1（公众号推文转引的完整对比表与 arXiv 版一致），ECNU-ChemGPT 在 7 个基准上的综合平均分83.79，超过所有对比模型；大学化学单科 83.33（Qwen2 基座为 79.17）。论文正文还给出两个相对提升：相较 GPT-4o 平均分提升 8.5%，相较 DeepSeek-R1 提升 5.7%。模型大学化学高中化学MMLU 大学化学C-MHChem平均GPT-4o66.6752.6370.6762.9875.29DeepSeek-V377.7877.1966.3374.5280.99DeepSeek-R147.2263.1671.3383.8178.09Qwen2-72B（基座）79.1789.4760.3375.3481.61ECNU-ChemGPT83.3389.4761.0082.4583.79（完整 12 模型 × 8 基准的表建议读论文 Table 1；此处抽核心列。）3.2 逆合成：68.3% 的 Top-1 与真实药物路线验证基准测试（USPTO-50K，论文 Table 2/3）：口径Top-1 准确率已知反应类型68.3%未知反应类型50.1%对照：o3-mini（已知类型）10.41%对照：ChemDFM-8B（已知类型）6.47%68.3% 也超过了多数经典模板无关方法（RetroSim 52.9 / SCROP 59 / GLN 64.2 / LocalRetro 63.9），与图模型 RetroExplainer（66.8）同一梯队；未知反应类型 50.1% 低于 RetroExplainer 的 57.7——这是它与专用图模型的真实差距，选型时要看你的场景是否已知反应类型。真实药物路线验证（论文最具说服力的部分）：团队从文献和专利收集262 条真实药物合成路线（1,448 步单步反应），与训练集零重叠：评价口径Top-1Top-3Top-10Top-15精确匹配19.6%45.7%64.6%71.1%相似度 ≥95% 放宽20.9%50.8%81.1%98.2%模型完整复现（精确匹配）了 7 条真实药物合成路线：托伐普坦、瑞德西韦、达利雷生、阿贝西利、巴瑞克替尼、贝曲沙班（arXiv 版写 13 条，正式发表版修订为 7 条，以正式版为准）。注意精确匹配 Top-1 只有 19.6%——基准高分不等于车间可用，这是读这类论文必须留的清醒。§4. 与同类工具对比维度ECNU-ChemGPT通用 LLM（GPT-4o 等）经典逆合成模型（LocalRetro/GLN）ChemDFM 等化学 LLM单步逆合成 Top-1（USPTO-50K）68.3%个位数~10%60-67%4-6%化学知识问答83.79 平均75-81—弱于通用模型多任务调度BrainGPT 学习式路由单模型硬扛—单模型反应数据规模378 万条 Pistachio无领域微调5 万条 USPTO-50K百万级路线级验证262 条真实药物路线无少量案例无系统验证获取方式开源代码 + HF 权重API 付费开源部分开源选型建议：化学问答 + 逆合成一体化需求选 ECNU-ChemGPT（BrainGPT 调度是独有卖点）；只要单步逆合成且已知反应类型，图模型 RetroExplainer（66.8/57.7）在未知类型上更强，可作对照基线；通用模型直接做逆合成目前仍不可行，只适合做路线解读与文献检索。§5. 局限与展望论文自身承认与实测观察的局限：覆盖盲区——有机金属、光化学等小众反应类型数据不足，预测路线在这些方向不可靠；精确匹配偏低——真实药物数据集 Top-1 仅 19.6%，论文解释是实际工艺要考虑安全性、成本等非化学最优因素，但这也提醒基准高分 ≠ 工艺可用；宽松指标要审慎读——"相似度 ≥95% 算命中"这类标准展示潜力可以，直接当产出质量会误判；幻觉评估非金标准——幻觉率由 GPT-4o/DeepSeek-R1 双评审（微调后 0.395，相对降低 9.2%-21.0%），LLM-as-judge 本身有偏差；工程现状——训练代码 2025-07 后无更新（仓库 API 探活），在线服务 chemgpt.lrcwtech.com 返回 502、multiasr 超时（2026-10 时点核验），生产使用需自建。展望方向：扩充薄弱反应类型数据、加强分子表征与语言推理融合、把 BrainGPT 式调度推广到更多化学工具编排。§6. 开源资源与可用性按 GitHub 仓库与 Hugging Face 页面核验（2026-10 时点）：资源状态说明ilog-ecnu/ECNU-ChemGPT活但低活跃4★，Python，含 ChemGPT-QA 训练/推理代码ALmonster/ChemGPT2-QA-72BHF 在线72B 问答权重，vLLM/SGLang 加载1920993165/BrainGPT1活但低活跃6★，BSD-3，ChatGLM3 基座调度器zhangyq9697/ECNU-ChemGPT数据仓MIT，262 条药物路线 CSVchemgpt.lrcwtech.com 在线服务502官方在线服务当前不可用，需自部署multiasr.lrcwtech.com 多步工具超时同上自部署现实评估：逆合成模型（68.3% 主角）权重未发布——仓库saved/目录只有 config.json 无模型文件，378 万条 Pistachio 数据也未随仓库公开（NextMove 专利库，学术申请获取），复现需按论文流程自建数据重训基座 flan-t5-large。问答权重 ChemGPT2-QA-72B 页面核验288.9 GB fp32（63 分片），需多张 80GB 卡 vLLM 起（仓库带test_vllm.py，另附 7B/32B 训练脚本但未发布对应权重）。三件套里唯一单卡可跑的是调度器 Braingpt1-Chem（12.5 GB fp32，fp16 约 6.2 GB）——恰好它源自独立项目，可脱离专家模型单独测试工具路由能力。§7. 结语ECNU-ChemGPT 的价值不在"又一个化学 GPT"，而在三件可迁移的方法论：数据要两条路互补（教材蒸馏保深度、关键词扩展保广度）；模型要按任务分工（72B 问答 + 770M 逆合成，不盲目堆参数）；多任务要学习式调度（96.5% vs 63.1% 的路由准确率差距）。对逆合成项目而言，68.3% 的 Top-1 与 7 条真实药物路线复现证明了"领域微调 + 大规模清洗数据"路线的产出上限；而 19.6% 的精确匹配 Top-1 则标定了它的现实边界——它现在是资深合成人员的强助手，还替代不了路线设计里的工艺与成本判断。参考来源论文：Zhang Y, Liu W, Zhang Y, et al. ECNU-ChemGPT: A Large Language Model for Chemistry and Retrosynthesis Prediction. CCS Chemistry, 2026. 10.31635/ccschem.026.202607359预印本：Zhang Y, et al. A Large Language Model for Chemistry and Retrosynthesis Predictions. arXiv:2507.01444, 2025. arXiv 链接仓库：ilog-ecnu/ECNU-ChemGPT ｜ BrainGPT1 ｜ 反应数据集模型：ALmonster/ChemGPT2-QA-72B ｜ Braingpt1-Chem系列导航：专栏全集开源小分子生成和设计实践更多专栏：蛋白 / 抗体 / 多肽 / 核酸分子模拟 / 动力学 / 对接药物 / 设计 / 案例AI / Agent / 大模型开源蛋白结构预测分子模拟基础小分子药物设计案例AI Agent系列开源蛋白生成方法实践分子动力学模拟-Amber蛋白药物设计案例化学大模型开源多肽设计模型分子动力学模拟-Gromacs多肽药物设计案例《AI Agent原理与实战》开源多肽性质预测分子动力学模拟-OpenMM开源小分子生成设计CADD中的机器学习模型DNA/RNA药物设计結合自由能高效计算配置《MCP 入门实战》siRNA药物设计模型UCSF DOCK系列我胡师兄说药《AI入门实战2026》ASO药物设计模型rDock系列 LeDock系列 gnina系列《经典机器学习实战》