轻量级智能体框架实现本地化早期药物发现规划
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究者提出一种可本地部署的轻量级智能体框架，利用紧凑型语言模型为早期药物发现规划调用18个模块化工具。框架通过统一分子模式维护共享记录，并支持工具替换与扩展。基于1263个精炼查询-规划对，对三种紧凑模型进行LoRA微调。在跨组查询测试中，Llama 3.2-3B的工具选择F1达0.998，序列精确匹配0.979，参数F1为0.960。但在更严格的工作流分组测试中，序列精确匹配降至0.452至0.548，表明紧凑模型在生成训练中未见的工作流路径时仍存泛化难题。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载框架设计与工具协同
该研究针对早期计算药物发现需协调多步骤异构工具的问题，提出一种轻量级工具增强框架。其核心是让可本地部署的紧凑语言模型负责规划，调用18个模块化工具。为保障各工具间的数据一致性，框架引入统一分子模式来维护共享分子记录，同时通过插件接口机制实现对工具的替换与扩展，提升了工作流编排的灵活性。
微调数据构建与评测指标
为使紧凑模型具备规划能力，研究者通过工作流图路径覆盖构建了1263个经人工精炼的查询-规划对，并以此对三种紧凑模型家族进行LoRA微调。评测采用两种划分方式：查询级划分关注已知模式的泛化；工作流分组划分则更严格，排除了跨分区的相同有序工具序列，重点考察模型对训练中未见过的完整工作流路径的生成能力。
实验结果与泛化瓶颈
在查询级划分下，所有微调模型在47个留出的跨组查询上均能生成完全可解析且符合模式的规划。其中Llama 3.2-3B表现最优，工具选择F1达0.998，序列精确匹配0.979，参数F1为0.960。然而在更严苛的工作流分组划分下，序列精确匹配仅达0.452至0.548。这表明紧凑模型在本地化规划上具备可行性，但在组合泛化，即生成未见工作流路径方面仍面临显著挑战，是后续改进的重要方向。
为什么值得看
验证了小模型本地化规划药物发现工作流的可行性，并揭示组合泛化是后续关键突破点。
Llama智能体微调
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。