導(dǎo)讀

近日，北京大學(xué)化學(xué)與分子工程學(xué)院聯(lián)合計算中心、計算機學(xué)院、元培學(xué)院發(fā)布化學(xué)大模型基準(zhǔn)SUPERChem。該基準(zhǔn)針對當(dāng)前化學(xué)知識水平評測中題目難度有限、多模態(tài)與推理過程評估缺失等不足，系統(tǒng)構(gòu)建了專注評估大語言模型（LLM）化學(xué)推理分析能力的新體系，旨在推動化學(xué)智能評測的深入發(fā)展。

——背景——

2025年，隨著開源推理模型DeepSeek-R1推出，LLM在“深度思考”范式下快速發(fā)展，其在自然科學(xué)領(lǐng)域的應(yīng)用已從簡單問答轉(zhuǎn)向復(fù)雜推理。然而，現(xiàn)有通用科學(xué)基準(zhǔn)趨于飽和，化學(xué)專用基準(zhǔn)多關(guān)注基礎(chǔ)能力與化學(xué)信息學(xué)任務(wù)，缺乏對深度推理的系統(tǒng)考察。

從基礎(chǔ)教育、化學(xué)奧林匹克競賽到高等教育，化學(xué)學(xué)習(xí)強調(diào)知識綜合運用與多步推理，是評估推理能力的理想場景。設(shè)計高質(zhì)量評估題目需融合抽象概念與具體情境，構(gòu)建層層遞進(jìn)的推理鏈，對出題者專業(yè)素養(yǎng)要求極高。

研究團(tuán)隊依托北京大學(xué)化學(xué)學(xué)院水平頂尖的本科生和研究生群體，充分發(fā)揮其扎實學(xué)科功底與豐富解題命題經(jīng)驗，對已有題目素材進(jìn)行準(zhǔn)確評估與合理優(yōu)化，共同構(gòu)建了SUPERChem基準(zhǔn)，填補了化學(xué)深度推理評估的空白。

圖1. SUPERChem總覽與例題。

——數(shù)據(jù)構(gòu)建——

圖2. SUPERChem題庫的三階段審核流程。

SUPERChem題庫由北大化學(xué)專業(yè)近百名師生共建，涵蓋題目編寫、解析撰寫及嚴(yán)格的三階段審核。題目源自非公開試題與專業(yè)文獻(xiàn)改編，并采用防泄漏設(shè)計，避免LLM依賴記憶或從選項逆推。針對化學(xué)信息的多模態(tài)特點，同步提供圖文交錯與純文本版本的對齊數(shù)據(jù)集，支持探究視覺信息對推理的影響。

目前，SUPERChem先期發(fā)布500道專家級精選題目，覆蓋結(jié)構(gòu)與性質(zhì)、化學(xué)反應(yīng)與合成、化學(xué)原理與計算、實驗設(shè)計與分析四大化學(xué)核心領(lǐng)域。為細(xì)粒度評估LLM思考過程，SUPERChem引入推理路徑一致性（Reasoning Path Fidelity, RPF）指標(biāo)：團(tuán)隊為每道題目撰寫了含關(guān)鍵檢查點的詳細(xì)解析，通過自動化評估模型思維鏈與解析的一致性，判別模型是否真正“理解”化學(xué)。

——評測結(jié)果——

1. 前沿模型接近低年級本科生水平，不同模型推理一致性存在差異

表1：前沿模型在SUPERChem上的表現(xiàn)。

評測顯示， SUPERChem具有較高難度與區(qū)分度。在北京大學(xué)化學(xué)專業(yè)低年級本科生閉卷測試中，人類準(zhǔn)確率為40.3%。參與評測的前沿模型中，表現(xiàn)最佳的GPT-5 (High)準(zhǔn)確率為38.5%，表明其化學(xué)推理能力僅與化學(xué)專業(yè)低年級本科生水平相當(dāng)，尚未超越人類基礎(chǔ)專業(yè)認(rèn)知。

圖3. 前沿模型的正確率與RPF關(guān)系。

分析RPF指標(biāo)可見，不同模型推理過程質(zhì)量差異明顯：Gemini-2.5-Pro和GPT-5 (High)在取得較高準(zhǔn)確率的同時，其推理邏輯也更符合專家路徑；而DeepSeek-V3.1-Thinking雖然準(zhǔn)確率相近，但RPF得分相對較低，反映其更傾向通過啟發(fā)式路徑得出結(jié)論。

2. 多模態(tài)信息的“雙刃劍”效應(yīng)

圖4：輸入模態(tài)對不同模型的影響。

在依賴多模態(tài)輸入的題目中，視覺信息對不同模型影響各異：對Gemini-2.5-Pro等強推理模型，圖像輸入可提升準(zhǔn)確率；對GPT-4o等推理能力較弱的模型，圖像信息反而造成干擾。這提示在科學(xué)任務(wù)中需根據(jù)模型能力匹配合適的輸入模態(tài)。

3. 推理斷點分析：模型倒在了哪一步？

為進(jìn)一步探究LLM推理失敗的深層原因，研究團(tuán)隊進(jìn)行了推理斷點分析。結(jié)果表明，前沿模型的推理斷點集中于產(chǎn)物結(jié)構(gòu)預(yù)測、反應(yīng)機理識別、構(gòu)效關(guān)系分析等高階化學(xué)推理環(huán)節(jié)。這反映出當(dāng)前LLM在涉及反應(yīng)性與分子結(jié)構(gòu)理解的核心任務(wù)上仍存在短板。

圖5. 推理斷點所屬化學(xué)能力分布。

——總結(jié)——

綜上所述，SUPERChem為系統(tǒng)評估大語言模型的化學(xué)推理能力提供了細(xì)致、可靠的基準(zhǔn)。評測結(jié)果指出，當(dāng)前前沿模型的化學(xué)能力仍處于基礎(chǔ)水平，在涉及高階化學(xué)推理能力的任務(wù)上存在明顯局限，為后續(xù)模型的針對性優(yōu)化提供了明確方向。

——團(tuán)隊介紹——

SUPERChem項目由北京大學(xué)化學(xué)與分子工程學(xué)院與元培學(xué)院的趙澤華、黃志賢、李雋仁、林思宇同學(xué)領(lǐng)銜完成。近百位化學(xué)學(xué)院博士生與高年級本科生參與題庫構(gòu)建與審核，其中包括多位國際與中國化學(xué)奧林匹克決賽獲獎選手。174位北京大學(xué)化學(xué)專業(yè)低年級本科生參與了人類基線測試。

SUPERChem項目在北京大學(xué)化學(xué)與分子工程學(xué)院裴堅、高珍老師，計算中心馬皓老師 , 計算機學(xué)院楊仝老師的指導(dǎo)下開展。項目 獲 得 北京大學(xué)計算中心與高性能計算平臺 資源 支持 ，來自 Chemy 、好未來、質(zhì)心教育等機構(gòu) 和 化學(xué)與分子工程學(xué)院鄒鵬、鄭捷等 多位教授 的 題目素材支持，以及高楊、龍汀汀老師的專業(yè)協(xié)助 。

項目資源

論文: https://arxiv.org/abs/2512.01274

數(shù)據(jù)集: https://huggingface.co/datasets/ZehuaZhao/SUPERChem

平臺網(wǎng)站: https://superchem.pku.edu.cn

來源：北京大學(xué)化學(xué)與分子工程學(xué)院