歡迎報(bào)名摜蛋友誼賽暨產(chǎn)學(xué)研對(duì)接交流會(huì)

導(dǎo)讀

近日，北京大學(xué)化學(xué)與分子工程學(xué)院進(jìn)行了一場(chǎng)特殊的有機(jī)化學(xué)期中考試，174位北大化院的大二學(xué)生與GPT、Gemini、DeepSeek這些頂尖AI同場(chǎng)競(jìng)技，那究竟誰(shuí)更勝一籌呢？

考試現(xiàn)場(chǎng)

近日，北京大學(xué)化學(xué)與分子工程學(xué)院聯(lián)合計(jì)算中心、計(jì)算機(jī)學(xué)院、元培學(xué)院團(tuán)隊(duì)，發(fā)布了最新成果化學(xué)大模型基準(zhǔn)SUPERChem。該基準(zhǔn)針對(duì)當(dāng)前化學(xué)知識(shí)水平評(píng)測(cè)中題目難度有限、多模態(tài)與推理過(guò)程評(píng)估缺失等不足，系統(tǒng)構(gòu)建了專注評(píng)估大語(yǔ)言模型（LLM）化學(xué)推理分析能力的新體系，旨在推動(dòng)化學(xué)智能評(píng)測(cè)的深入發(fā)展。而這場(chǎng)特殊的期中考試，是北大科研團(tuán)隊(duì)為大語(yǔ)言模型投下的一塊“試金石”，來(lái)丈量AI在科學(xué)推理上的真實(shí)邊界。

打開SUPERChem的題庫(kù)，一種“壓迫感”撲面而來(lái)。晶體結(jié)構(gòu)的精細(xì)解析、反應(yīng)機(jī)理的深度推演、物化性質(zhì)的定量計(jì)算……這500道題目并非來(lái)自網(wǎng)絡(luò)上隨手可得的公開題庫(kù)，而是源于對(duì)高難度試題和前沿專業(yè)文獻(xiàn)的深度改編。

互聯(lián)網(wǎng)可及的測(cè)試題大多已被博聞強(qiáng)識(shí)的AI在訓(xùn)練階段熟讀，考出的高分往往掩蓋了其推理能力的蒼白。而化學(xué)，恰恰是一門不能只靠死記硬背的學(xué)科。它既有嚴(yán)密的邏輯推演，又充滿了對(duì)微觀世界的空間想象。要設(shè)計(jì)一套讓AI“沒(méi)見過(guò)”、必須靠硬實(shí)力推理的題目，難度極高。然而，這正是北大化院的獨(dú)特優(yōu)勢(shì)所在。近百名師生——其中不乏奧林匹克金牌得主——集結(jié)起來(lái)，決定給AI出一套高門檻、重推理、防作弊的試卷。

他們要考的，是AI是否真的“懂”化學(xué)。

SUPERChem總覽與例題

為了構(gòu)建這套高質(zhì)量評(píng)估集，團(tuán)隊(duì)搭建了一個(gè)專屬協(xié)作平臺(tái)。在這里，出題、審題、修題從單調(diào)的任務(wù)，變成了一套循序漸進(jìn)的“通關(guān)”流程。成員們?cè)谄脚_(tái)上協(xié)作，互相審閱、彼此“找茬”，讓嚴(yán)謹(jǐn)?shù)目茖W(xué)探討與活躍的思維碰撞交織共融。團(tuán)隊(duì)還引入了積分激勵(lì)系統(tǒng)，讓出題過(guò)程就像在游戲中打怪升級(jí)。一道題目需歷經(jīng)編寫初稿、撰寫解析，再通過(guò)初審與終審的嚴(yán)格審核，每個(gè)環(huán)節(jié)均由不同的同學(xué)把關(guān)，并發(fā)放相應(yīng)的積分。終審?fù)ㄟ^(guò)的題目，甚至最多迭代過(guò)15個(gè)版本。

SUPERChem題庫(kù)的三階段審核流程

考試成績(jī)揭曉。在這場(chǎng)精心設(shè)計(jì)的考試中，人類展現(xiàn)出了復(fù)雜的科學(xué)直覺(jué)。作為基線，參與測(cè)試的北大化院本科生取得了40.3%的平均準(zhǔn)確率。這個(gè)數(shù)字本身，就足以說(shuō)明這套題目的硬核程度。

而AI的表現(xiàn)如何？即便是接受測(cè)試的頂尖模型，其成績(jī)也僅與低年級(jí)本科生的平均水平相當(dāng)。

前沿模型在SUPERChem上的表現(xiàn)

前沿模型的正確率與RPF關(guān)系

讓團(tuán)隊(duì)感到意外的是視覺(jué)信息帶來(lái)的困惑?；瘜W(xué)的語(yǔ)言是圖形，分子結(jié)構(gòu)、反應(yīng)機(jī)理圖蘊(yùn)含著關(guān)鍵信息。然而對(duì)于部分模型而言，當(dāng)引入圖像信息時(shí)，其準(zhǔn)確率不升反降。這說(shuō)明，當(dāng)前的AI在將視覺(jué)信息轉(zhuǎn)化為化學(xué)語(yǔ)義時(shí)，仍存在明顯的感知瓶頸。

輸入模態(tài)對(duì)不同模型的影響

團(tuán)隊(duì)發(fā)現(xiàn)，AI的推理鏈條往往斷裂于產(chǎn)物結(jié)構(gòu)預(yù)測(cè)、反應(yīng)機(jī)理識(shí)別以及構(gòu)效關(guān)系分析等高階任務(wù)。當(dāng)前的頂尖模型雖然擁有海量的知識(shí)儲(chǔ)備，但在處理需要嚴(yán)密邏輯和深刻理解的硬核化學(xué)問(wèn)題時(shí)，仍顯得力不從心。

推理斷點(diǎn)所屬化學(xué)能力分布

SUPERChem的誕生，填補(bǔ)了化學(xué)領(lǐng)域多模態(tài)深度推理評(píng)測(cè)的空白。

團(tuán)隊(duì)發(fā)布這項(xiàng)成果，并非為了證明AI的短板，而是為了推動(dòng)它走得更遠(yuǎn)。SUPERChem就像一個(gè)路標(biāo)。它提醒我們：從通用的聊天機(jī)器人，到能夠理解構(gòu)效關(guān)系、推演反應(yīng)機(jī)理的專業(yè)科學(xué)助手，中間還有很長(zhǎng)的一段路要走。那是從“記住知識(shí)”到“理解物理世界”的跨越。

目前，SUPERChem項(xiàng)目已全面開源。團(tuán)隊(duì)希望這套源自北大的“試卷”，能成為全球科學(xué)與人工智能領(lǐng)域的公共財(cái)富，去催化下一次技術(shù)的爆發(fā)。或許在不久的將來(lái)，當(dāng)我們?cè)俅未蜷_這張?jiān)嚲頃r(shí)，AI能交出一份滿分的答卷。那將是化學(xué)與人工智能共同的驚喜。

SUPERChem平臺(tái)界面

更多介紹：

——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(jiǎn)單問(wèn)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(duì)深度推理的系統(tǒng)考察。

從基礎(chǔ)教育、化學(xué)奧林匹克競(jìng)賽到高等教育，化學(xué)學(xué)習(xí)強(qiáng)調(diào)知識(shí)綜合運(yùn)用與多步推理，是評(píng)估推理能力的理想場(chǎng)景。設(shè)計(jì)高質(zhì)量評(píng)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(duì)出題者專業(yè)素養(yǎng)要求極高。

研究團(tuán)隊(duì)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(shí)學(xué)科功底與豐富解題命題經(jīng)驗(yàn)，對(duì)已有題目素材進(jìn)行準(zhǔn)確評(píng)估與合理優(yōu)化，共同構(gòu)建了SUPERChem基準(zhǔn)，填補(bǔ)了化學(xué)深度推理評(píng)估的空白。

圖1.SUPERChem總覽與例題。

——數(shù)據(jù)構(gòu)建——

圖2.SUPERChem題庫(kù)的三階段審核流程。

SUPERChem題庫(kù)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(jì)，避免LLM依賴記憶或從選項(xiàng)逆推。針對(duì)化學(xué)信息的多模態(tài)特點(diǎn)，同步提供圖文交錯(cuò)與純文本版本的對(duì)齊數(shù)據(jù)集，支持探究視覺(jué)信息對(duì)推理的影響。

目前，SUPERChem先期發(fā)布500道專家級(jí)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(jì)算、實(shí)驗(yàn)設(shè)計(jì)與分析四大化學(xué)核心領(lǐng)域。為細(xì)粒度評(píng)估LLM思考過(guò)程，SUPERChem引入推理路徑一致性（Reasoning Path Fidelity,RPF）指標(biāo)：團(tuán)隊(duì)為每道題目撰寫了含關(guān)鍵檢查點(diǎn)的詳細(xì)解析，通過(guò)自動(dòng)化評(píng)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(píng)測(cè)結(jié)果——

1.前沿模型接近低年級(jí)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(píng)測(cè)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(jí)本科生閉卷測(cè)試中，人類準(zhǔn)確率為40.3%。參與評(píng)測(cè)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(jí)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(guò)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(shí)，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(duì)較低，反映其更傾向通過(guò)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(duì)不同模型的影響。

在依賴多模態(tài)輸入的題目中，視覺(jué)信息對(duì)不同模型影響各異：對(duì)Gemini-2.5-Pro等強(qiáng)推理模型，圖像輸入可提升準(zhǔn)確率；對(duì)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(diǎn)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(duì)進(jìn)行了推理斷點(diǎn)分析。結(jié)果表明，前沿模型的推理斷點(diǎn)集中于產(chǎn)物結(jié)構(gòu)預(yù)測(cè)、反應(yīng)機(jī)理識(shí)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(diǎn)所屬化學(xué)能力分布。

——總結(jié)——

綜上所述，SUPERChem為系統(tǒng)評(píng)估大語(yǔ)言模型的化學(xué)推理能力提供了細(xì)致、可靠的基準(zhǔn)。評(píng)測(cè)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(duì)性優(yōu)化提供了明確方向。

——團(tuán)隊(duì)介紹——

SUPERChem項(xiàng)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(jí)本科生參與題庫(kù)構(gòu)建與審核，其中包括多位國(guó)際與中國(guó)化學(xué)奧林匹克決賽獲獎(jiǎng)選手。174位北京大學(xué)化學(xué)專業(yè)低年級(jí)本科生參與了人類基線測(cè)試。

SUPERChem項(xiàng)目在北京大學(xué)化學(xué)與分子工程學(xué)院裴堅(jiān)、高珍老師，計(jì)算中心馬皓老師, 計(jì)算機(jī)學(xué)院楊仝老師的指導(dǎo)下開展。項(xiàng)目 獲 得 北京大學(xué)計(jì)算中心與高性能計(jì)算平臺(tái) 資源 支持 ，來(lái)自 Chemy 、好未來(lái)、質(zhì)心教育等機(jī)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(xiàng)目資源

論文: https://arxiv.org/abs/2512.01274

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

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

來(lái)源：北京大學(xué)、北京大學(xué)化學(xué)與分子工程學(xué)院