R-GroundBench：Markush 分子编辑的 R-基团关联诊断基准

arXiv:2610.00700v1 公告类型：cross 摘要：近期，面向科学发现的 AI 取得了长足进展，使分子理解与设计成为可能，但对于不完整化学表示的推理仍不清晰。Markush 结构通过可变的 R-基团占位符（\textit{R\textsubscript{1}}、\textit{R\textsubscript{2}}、\textit{X} 等）对分子家族进行编码，广泛存在于制药专利中，需要在分子、文本和化学信息之间建立关联。然而，现有的分子-语言基准主要关注完全明确的分子，因而基本未对 R-基团关联能力进行评估。我们提出 R-GroundBench：一个基于真实专利 Markush 结构构建的诊断基准，包含具有受控难度和模态划分的选择题（VQA）赛道，以及开放式生成赛道。结果显示，模型在识别能力与分子关联能力之间存在显著差距。尽管模型在简单 VQA 上的准确率超过 90%，但在控制捷径后，其在困难 VQA 上的表现下降至 56--66%。即使经过领域特定预训练，化学领域 VLM 仍不可靠，在困难 VQA 上的准确率仅为 25.7--46.2%。此外，大多数模型的生成精确匹配率仍低于 20%；当需要视觉输入时，该指标低于 8%。这些发现表明，当前 AI 系统在 Markush 编辑方面缺乏可靠的关联能力与执行能力，也凸显了 AI 驱动科学发现所面临的挑战。