在人工智能領域，大模型的研究不斷進展，尤其是在推理能力的提升上。最近，由前谷歌 CEO 埃裏克・施密特投資的初創公司 FutureHouse，開源了一個名爲 ether0的化學任務推理模型，參數規模高達240億。這一模型在不需要額外領域預訓練的情況下，通過後訓練技術，展現出強大的化學領域能力，尤其是在數據需求上相比於傳統領域專用模型顯著減少。

推理模型的應用不僅限於簡單的選擇題測試，FutureHouse 團隊希望通過 ether0改變這種現狀，推動科學推理的深入研究。爲了構建該模型，研究團隊從大量的學術論文中整理了化學實驗數據，追蹤分子特性如溶解度和氣味，並將這些數據轉化爲可驗證的科學問題。

image.png

ether0基於 Mistral-Small-24B 架構，利用強化學習進行訓練，並處理了640，730個實驗數據相關的化學問題，涵蓋18類任務，包括合成可行性、血腦屏障滲透性和氣味分析等。爲了提升模型性能，研究團隊引入了推理行爲蒸餾和動態課程學習等技術。

在性能評估方面，ether0與多種通用大語言模型（如 Claude、o1）及化學專用模型(如 ChemDFM、TxGemma)進行了對比。結果顯示，ether0在開放答案(OA)類別中準確率最高，選擇題(MCQ)方面也具備強大的競爭力。其在某些任務上的準確率甚至達到了競爭對手的兩倍以上。

此外，ether0在訓練成本上也展現出顯著的優勢，要達到相似的反應預測準確率，傳統的非推理型模型需要消耗50倍以上的數據。儘管 ether0在獨立基準測試中難以與其他模型及人類表現進行交叉驗證，但其能夠對未經過訓練的分子結構進行有效推理。

總之，ether0不僅能理解自然語言提問，還能通過自然語言進行推理，最終生成分子結構，特別擅長於類藥分子的設計。儘管目前仍處於原型階段，但其已爲未來構建通用科學推理模型奠定了堅實的基礎。

劃重點:  

🌟 Ether0是由 FutureHouse 開源的240億參數化學推理模型。  

📈 該模型的準確率在多個任務中超越了 GPT-4.1和 DeepSeek-R1等領先模型。  

💰 訓練 ether0所需的數據量顯著低於傳統非推理型模型。