该研究论文介绍了一种新的机器学习框架，旨在从材料数据中提取预测模型，提高晶态和非晶材料属性的预测准确度。研究中自动提取了超导材料性能数据，建立了包含40324条记录的数据库SuperCon2，并提出了MatSci ML基准，以促进固态材料的多任务学习和模型评估，推动材料科学研究进展。

本文介绍了一种简单的方法，使用自然语言处理和大型通用语言模型从研究论文中提取材料数据建立数据库。该方法无需编程或模型培训，具有高召回率和几乎完美精度。作者评估了多种语言模型，在提取体积模量数据方面表现良好。该方法可扩展到其他研究领域。