本研究开发了ChemAgent，探讨其在化学问题解决中的作用。结果表明，尽管工具能提升特定任务的表现，但在一般化问题中，化学知识的推理能力更为重要，工具的增强效果并不总是有效。
湖南大学研究团队提出了基于片段的多尺度分子表征框架t-SMILES，用于解决化学问题中的分子建模挑战。实验结果表明，t-SMILES模型优于基于SOTA SMILES的模型，能够生成有效且新颖的分子。该框架具有三种代码算法，可以避免过拟合并在低资源数据集上保持合理的相似性。t-SMILES模型能够捕捉分子的物理化学性质，并在目标导向任务中表现出优势。然而，t-SMILES的局限性和更复杂分子的实验仍需进一步研究。
本文介绍了新的基准数据集JEEBench，用于评估大型语言模型（LLMs）在数学、物理和化学问题解决能力上的表现。研究发现，尽管采用多种提示策略，GPT-4的表现仍不足40%。此外，SciBench数据集的引入旨在系统检验复杂科学问题的推理能力，结果显示当前LLMs的综合得分仅为35.80%。研究希望推动LLMs的推理能力发展，以促进科学研究。
完成下面两步后，将自动完成登录并继续当前操作。
