2025_NIPS_ChemOrch: Empowering LLMs with Chemical Intelligence via Synthetic Instructions

文章核心总结

本文提出ChemOrch框架，通过“任务控制的指令生成”和“工具感知的响应构建”两阶段流程，解决LLM在化学领域面临的高质量数据稀缺、通用合成框架与化学领域需求不匹配等问题，生成多样化、难度可控且化学有效的指令-响应对，可用于评估LLM化学弱点和提升其化学推理、工具使用能力。

主要创新点

1. 提出两阶段合成框架：任务控制指令生成（通过难度奖励模型实现难度可控）+ 工具感知响应构建（工具分解、蒸馏、自修复确保准确性）。
2. 构建细粒度化学工具库：将RDKit、PubChem等工具分解为74个可调用子工具，兼顾精准性与可解释性，支持自定义工具扩展。
3. 实现多维度价值验证：生成数据兼具多样性与化学合规性，可有效暴露LLM化学弱点，微调后能显著提升LLM化学问答、推理及工具使用能力。

---

Abstract 翻译

赋能大型语言模型（LLMs）具备化学智能仍是一项挑战，这主要源于高质量、领域特定的指令-响应数据集稀缺，且现有合成数据生成流水线与化学信息固有的层级化、规则约束结构不匹配。为解决这些问题，我们提出ChemOrch框架，通过两阶段流程合成基于化学知识的指令-响应对：任务控制的指令生成与工具感知的响应构建。ChemOrch能够实现生成任务的可控多样性和难度级别，并通过工具规划与蒸馏、基于