💡 一句话总结：按稳定性给分子的构象排序，是化学家眼中最基本的「立体感觉」——它需要真正理解三维结构。一项新实测发现：最新的前沿 LLM 无师自通地获得了这种能力，排序准确率超过经典力场、逼近现代力场。更有趣的是失败模式：模型擅长氢键这种「教科书量化充分」的概念，却在「环张力」这类模糊概念上集体翻车。
导语：一个从没被教过的能力，出现在了考试成绩里
LLM 是用文本训练的。文本里没有三维坐标，没有能量面，没有分子在空间中的形状——按理说，它不可能「懂」分子的立体几何。
但化学家的工作大量依赖几何直觉：同一个分子，原子连接顺序完全相同，只是空间摆位不同，性质可能天差地别。判断哪个摆位更稳定（构象排序），是药物设计、材料计算的入门基本功。这种能力需要吗？需要。有人训练过吗？没有。测过吗？也没有。
俄罗斯有机化学研究所与佛罗里达州立大学的团队决定补上这个测试：给模型 27 个小有机分子的 810 个构象，让它按稳定性排序，以 DFT 量子计算能量为金标。
想看原文？
- 📄 论文：arXiv 2609.20666
它的思路是什么？
- 🧪 排序即探针：构象排序有客观物理金标（DFT 能量），无法靠背题蒙混——模型必须对几何有某种内在表征才能做对
- 📊 跨代际对比：2025 年 7 月前的模型 vs 之后的前沿模型，划出一条清晰的能力分界线
- 🔬 失败模式分析：不止看分数，还读模型的解释文本——它在用哪些化学概念推理？
效果到底怎么样？
- 📈 代际跃迁：老一代模型基本不会排序；GPT-5.6 Sol、Kimi K3、Gemini 3.6 Flash 达到有竞争力的准确率——超过 Universal Force Field（UFF） 这个经典物理方法
- 🏆 逼近专业工具：GPT-6 Astra 与 Claude Opus 5 的准确率已接近现代 GFN-FF 力场
- 🧩 概念粒度决定成败：氢键——科学文献里量化得最充分的概念——模型表现最好；「环张力」这类教科书里都语焉不详的模糊概念，除最新两模型外全员翻车
- 🔗 强相关 = 涌现：构象排序能力与科学、编码、抽象推理基准强相关——它是从相关任务中「顺手」长出来的，不是化学数据直接喂出来的
为什么你要关心？
- 🧭 「量化粒度」是提示工程的新视角：让 LLM 做科学推理时，把问题翻译成「文献里量化充分」的语言（键长、能量、明确的相互作用）比依赖模糊直觉概念靠谱
- 🧪 AI4Science 的能力盘点要重做：很多「LLM 肯定不会」的物理直觉，值得重新实测——分界线比想象的更靠近
- 💡 对「LLM 世界模型」争论的经验数据点：纯文本训练到底能不能长出对物理世界的理解？这个实验给出了一个「部分能」的可量化答案
理性看待
冷静看三点：27 个小分子的规模有限，构象空间覆盖不代表全部化学空间；模型输入的是几何的文本描述，这与「真正感知三维」仍有距离；与推理基准的相关性不等于因果，涌现机制仍是假说。但这个实验立住了一个事实：语言模型从人类科学文献中吸收的，比我们以为的更多——边界在「人类语言写不清楚」的地方。
