共计 1413 个字符，预计需要花费 4 分钟才能阅读完成。
当前，大模型研究的重点已逐步转向提升模型的推理能力。推理模型在数学、编程等领域的基准测试中已屡创突破。
那么，在需要认知策略、逻辑推演的科学研究领域，推理模型潜力如何呢？
最近，由前谷歌 CEO 埃里克・施密特（Eric Schmidt）投资的初创公司 FutureHouse，发布并开源了一个 240 亿参数的化学任务推理模型——ether0，证明了：无需额外领域预训练，通过后训练即可使推理模型具备化学领域能力，且相比领域专用模型所需数据量显著减少。
论文链接：https://storage.googleapis.com/aviary-public/ether0_preprint.pdf
模型链接：https://huggingface.co/futurehouse/ether0
科学推理模型 ether0
科学研究常涉及认知策略，如将问题分解为子问题、应对失败案例、从目标结果逆向推理等 —— 这些策略正是推理模型所展现的特性。然而，尽管科学与推理模型在概念上高度契合，目前科学推理模型的研究仍相对匮乏，主要局限于多项选择题基准测试。
要知道，评估解决方案的质量通常较为容易，而生成解决方案却很困难。例如，我们虽能精确测量特定分子的溶解度，但设计具有目标溶解度的分子却极具挑战性。
FutureHouse 致力于改变这种现状。
研究团队从学术论文中整理了化学实验数据，追踪了分子溶解度和气味等特性，并将其转化为可验证的问题。
ether0 基于 Mistral-Small-24B 架构，通过强化学习进行训练，使用了 640,730 个基于实验数据的化学问题，涵盖 18 类（375 项）任务 —— 从合成可行性、血脑屏障渗透性到人体受体活性乃至气味分析。
为实现高效训练，该研究采用了一系列改进方案，包括推理行为蒸馏、动态课程学习等。
下图展示了训练流程各阶段对模型多任务性能的贡献。尽管 SFT 后初始准确率普遍较低，但在特定任务强化学习阶段，所有任务性能均取得显著提升。蒸馏过程成功将专家模型的能力迁移至通用模型，全任务强化学习阶段成功修复了性能衰退，最终模型表现达到或超越对应专家模型水平。
高性能、低成本
为了全面评估 ether0 的能力，研究团队将其与通用大语言模型（如 Claude、o1）和化学专用模型（ChemDFM、TxGemma）进行对比。ether0 在所有开放答案（OA）类别中准确率最高，在选择题（MCQ）方面也具备竞争力。
如下图所示，几乎在所有任务上，ether0 都超越了 GPT-4.1 和 DeepSeek-R1 等前沿模型。对于某些任务，ether0 的准确率甚至达到竞争对手的两倍以上。
更惊人的是成本优势：要达到类似的反应预测准确率，训练一个非推理型模型需要消耗 50 倍以上的数据。
如下图所示，安全对齐流程使 ether0 拒绝 80% 的不安全提问，但未对评测任务能力产生实质影响。
由于 ether0 只能以分子式和化学反应的形式生成解决方案，因此很难在独立基准测试中与其他模型及人类表现进行交叉验证。不过，ether0 能对未经训练的分子结构进行正确推理。
总的来说，ether0 能理解自然语言提问，用自然语言进行推理，最终输出分子结构，尤其擅长类药分子设计。虽然 ether0 仍是原型产品，但研究团队已通过其获得多项重要发现，为未来构建通用科学推理模型指明了方向。
