化学大模型全景（2026）: 10 个代表模型对比与完全综述

本文收录于专栏 化学大模型 ------ 专栏系统覆盖化学大模型的原理、评测与工程落地，点击订阅可跟踪后续更新。

上篇介绍 化学大模型的12个 Benchmark ， 本篇是化学大模型

你想为项目挑一个化学大模型，却分不清 Galactica、ChemDFM、ChemCrow 这些名字相似的模型各解决什么问题：哪些能直接对话，哪些只是分子编码器，哪些要外挂工具才干活？这篇把 2022--2026 年的 10 个代表模型按四条技术路线（从头预训练、通用 LLM 领域化、多模态外挂、工具 Agent）逐个讲透：训练数据规模、架构设计、关键战绩、开源现状全部从论文原文与官方仓库核对，并补进 ChemDFM-v1.5、ChemVLM 入选 AAAI'25 等新进展。读完你能按场景直接选型------对话与文献找 ChemDFM/ChemLLM，分子性质与嵌入找 SMI-TED，逆合成找 ECNU-ChemGPT，搭化学 Agent 参考 ChemCrow 的 18 工具栈，直接对标你手头的项目需求。

关键字：化学大模型、Galactica、ChemDFM、ChemLLM、SMI-TED、ECNU-ChemGPT、ChemVLM、化学 LLM Agent

目录：[§0. 相关教程与核心文献](#§0. 相关教程与核心文献) ｜ [§1. 场景](#§1. 场景) ｜ [§2. 路线一：从头预训练](#§2. 路线一：从头预训练) ｜ [§3. 路线二：通用 LLM + 领域数据](#§3. 路线二：通用 LLM + 领域数据) ｜ [§4. 路线三：多模态外挂](#§4. 路线三：多模态外挂) ｜ [§5. 路线四：工具 Agent](#§5. 路线四：工具 Agent) ｜ [§6. 十个模型总表与选型](#§6. 十个模型总表与选型) ｜ [§7. 局限与展望](#§7. 局限与展望) ｜ [§8. 结语](#§8. 结语)

§0. 相关教程与核心文献

资源	链接	与本文关系
Galactica 论文	arXiv:2211.09085	科学语料从头预训练先驱，Meta 2022
Coscientist 论文	10.1038/s41586-023-06792-0	自主化学实验 Agent，Nature 2023
ChemCrow 论文	10.1038/s42256-024-00832-8	18 工具化学 Agent，NMI 2024
ChemDFM 论文	10.1016/j.xcrp.2025.102523	化学对话基础模型，Cell Rep. Phys. Sci. 2025
ChemLLM 论文	arXiv:2402.06852	模板式指令构建范式，上海 AI Lab
LlaSMol 主页	osu-nlp-group.github.io/LLM4Chem	SMolInstruct 数据集与 LlaSMol 系列
SMI-TED 论文	10.1038/s42004-025-01585-0	分子编码器-解码器基础模型，Commun. Chem. 2025
ChemVLM 仓库	github.com/AI4Chem/ChemVlm	首个开源化学多模态模型（AAAI'25）
ChemDFM-X 论文	10.1007/s11432-024-4243-0	七模态跨模态化学模型，Sci China Inf Sci 2024
ECNU-ChemGPT 论文	10.31635/ccschem.026.202607359	逆合成化学大模型，CCS Chemistry 2026

§1. 场景：化学大模型要跨过的三道坎

化学大模型不是"通用大模型 + 化学语料"这么简单。三道坎决定了技术路线的分化：

分子是符号，不是词 。SMILES 里 c1ccccc1 的相邻字符被 BPE（字节对编码）分词器合并切碎后，原子计数、官能团定位这类"对人而言直觉简单"的操作会大面积出错。怎么把分子喂给 LLM，本身就是一道坎------于是有了 Galactica 的字符级 SMILES 分词、SMI-TED 的专用分子词表这些表示层方案。
化学知识锁在结构化数据库里。PubChem、ChEMBL、USPTO 里的数据是表格而不是文章，直接塞进预训练会破坏对话连贯性------ChemLLM 的模板式指令构建、ChemDFM 的 270 万条指令微调，都是在解这道题。
化学任务要"算"不要"猜"。化合价校验、合成路线可行性、谱图解析，靠模型参数硬记不如交给 RDKit、反应预测引擎去做------Coscientist 与 ChemCrow 的工具 Agent 路线由此而来。

由此衍生出四条技术路线，10 个代表模型各占一端：

路线	解决的核心问题	代表模型
一、从头预训练	表示层与语料层从根上适配化学	Galactica、SMI-TED
二、通用 LLM + 领域数据	用高质量领域数据把通用模型"掰"成化学专家	ChemDFM、ChemLLM、LlaSMol、ECNU-ChemGPT
三、多模态外挂	让模型看懂分子图、谱图、实验图片	ChemVLM、ChemDFM-X
四、工具 Agent	模型出推理，工具出计算，打通实验闭环	Coscientist、ChemCrow

§2. 路线一：从头预训练------Galactica 与 SMI-TED

2.1 Galactica：科学语料的开山之作

定位。Meta AI 2022 年 11 月发布的科学基础模型（Ross Taylor 等，arXiv:2211.09085），目标是"自动组织科学"------把论文、教科书、知识库、化合物与蛋白数据一次性装进一个模型。

数据与架构 。语料约 106B tokens，含 4,800 万+ 论文、教科书与讲义、数百万化合物（PubChem Compound）与蛋白（UniProt）、百科与科学网站。decoder-only Transformer，GeLU 激活、2,048 上下文，五个尺寸 125M--120B（最大档 96 层 / 10,240 隐藏维 / 80 头），训练用 128 张 A100 80GB 节点。两个值得记住的设计：一是 SMILES/蛋白序列特殊 token （[START_SMILES]...[END_SMILES]）加字符级切分，从根上避开 BPE 切碎化学词的问题；二是 <work> token 引导分步推理------2022 年就做出了后来"思维链"的效果。

关键战绩 。LaTeX 公式知识 68.2% vs GPT-3 的 49.0%；MATH 基准 20.4% vs PaLM-540B 的 8.8%（30B 就能打平 540B）；数学 MMLU 41.3% vs Chinchilla 35.7%；PubMedQA 77.6%、MedMCQA dev 52.9% 双双当时 SOTA。更意外的是 BIG-bench 57 个非科学任务上 48.7%，超过 OPT-175B 的 43.4%------高质量精选语料不必然牺牲通用能力。论文还有一个反直觉发现：语料重复训练 4 轮，验证损失仍在下降。

现状与局限。公测 demo 很快因幻觉与毒性争议下线，但权重一直开放。它的化学遗产至今有效------LlaSMol 的对照实验里，Galactica 仍是四个候选底座之一，且它的字符级 SMILES 分词方案是后续所有"表示层修分词"工作的参照系。

2.2 SMI-TED：分子表示基础模型，对标的是 GNN 不是 GPT

定位。IBM Research（巴西研究院 + Almaden 实验室）出品，ICLR 2025 报告（arXiv:2407.20267），正式版发表于 Communications Chemistry 2025。注意它的赛道：SMI-TED 是分子编码器-解码器基础模型，不是对话模型------它对标的是图神经网络（GNN），做性质预测、反应产率、分子嵌入。

数据与架构 。9,100 万条 PubChem 精选 SMILES（约 40 亿分子 token）自监督预训练。架构是"双向 token 编码器 + SMILES 编码器-解码器"，用改良版 RoFormer 注意力，词表 2,993 个分子 token。两个配置：289M 基础版和 8×289M 的 MoE（专家混合）版。289M 的量级意味着单张消费级 GPU 就能跑。

关键战绩 。QM9 的 12 个量子化学任务拿到 11 项最佳或第二；MOSES 分子重建与生成指标（有效性、FCD、骨架相似度）超基线；低资源反应产率预测显著优于从头训练的任务专用模型。嵌入空间的定性发现尤其有说服力：含氮分子只占数据集 9.10%，却占 HOMO 能量前 10% 分子的 32.81%------潜空间自发把化学性质分层了，不需要任何任务标签。该嵌入已被 IBM 自家 dZiner 逆分子设计 Agent 集成为实时性质预测引擎，权重与代码开源（HuggingFace + GitHub）。

§3. 路线二：通用 LLM + 领域数据------四个"掰"出来的化学专家

这条路线的共同逻辑：不动底座架构，用高质量化学数据把通用模型改造成专家。四个模型展示了四种不同的"掰"法。

3.1 ChemDFM：34B 文献 tokens 继续预训练

上交大 X-LANCE 实验室 × 苏州实验室，在 LLaMA-13B 上做两阶段特化（正式版 Cell Reports Physical Science 6(4), 2025）：

阶段一（领域继续预训练）：约 34B tokens，来自 380 万篇化学论文 + 1,400 本教科书；
阶段二（指令微调）：270 万条指令，构成很有讲究------131K 标准 QA（ARC/PIQA/SciQ）、91.5 万道考试题、PubChem 分子描述 576K + 文本逆向设计 576K、MoleculeNet 性质预测 102K、USPTO 反应补全 300K、名称-原子映射 120K。两个阶段都混入大量通用数据，防灾难性遗忘。

结果是 13B 的它在多数化学任务上超过 GPT-4------尺寸差 10 倍，靠数据质量翻盘。它也是目前开源最彻底的化学底座之一（OpenDFM：GitHub + HuggingFace + ModelScope 三平台），后续还出了 ChemDFM-v1.5-8B 的小尺寸版，往"够用就好"的方向又走了一步。

3.2 ChemLLM：把结构化数据库"翻译"成对话

上海 AI Lab 联合复旦、武大等六家机构（arXiv:2402.06852），首个"数据 + 模型 + 评估"全链路开源的化学 LLM。它的核心贡献不是模型而是数据方法论：

ChemData 700 万条指令：用模板式指令构建把 PubChem、ChEMBL、ChEBI、ZINC、USPTO 等结构化数据转成自然对话------先写"种子模板"，再用 GPT-4 扩写出语义一致、措辞多样的变体，还用"Play as Playwrights"策略生成多轮专家对话；
两阶段指令微调：先用 170 万条通用语料训 InternLM2-Base-7B → InternLM2-Chat，再混入化学语料第二阶段微调，保住通用能力；
自建 ChemBench：4,100 道选择题、9 项化学任务（注意：与 Nature Chemistry 那个同名基准不是一回事）。

战绩：名称转换 22.0 分 vs GPT-4 的 5.0，分子描述 49.0 vs 41.0，三项核心任务全部超 GPT-3.5、两项超 GPT-4。它开创的"结构化化学知识转对话"范式成了后续工作的标配；谱系上还有一个闭环------ChemLLM-20B 后来成为 ChemVLM 的语言底座。

3.3 LlaSMol：数据杠杆 > 模型规模的最硬证据

俄亥俄州立大学 NLP 组（项目主页）回答一个问题：**不继续预训练、只做指令微调，能追上专用模型吗？**答案是能，而且代价极小：

SMolInstruct 数据集：330 万样本、160 万独立分子、4 类共 14 个小分子任务，经严格清洗与 SMILES 规范化------至今仍是小分子指令微调数据的标杆；
四个底座对照 ：Galactica、Llama 2、Code Llama、Mistral 各做 LoRA 微调，只调 41.9M 参数（0.58%），Mistral 表现最好；
战绩：SMILES → 分子式 93.2% 精确匹配（GPT-4 只有 4.8%，Claude 3 Opus 9.2%）；逆合成 32.9%（GPT-4 约 0.0%，Claude 3 Opus 1.1%）。14 个任务全面大幅领先 GPT-4。

论文还留下三个数据层结论：SMILES 规范化能明显提分、SMILES 与 SELFIES 之争里规范化比表示格式更重要、多任务联合训练有协同效应。数据集与模型全部开源（osunlp/SMolInstruct、LlaSMol-Mistral-7B）。

3.4 ECNU-ChemGPT：逆合成专精 + 多模型调度

华东师大出品（CCS Chemistry 正式版 2026，10.31635/ccschem.026.202607359；预印本 arXiv:2507.01444），代表这条路线的最新形态------不是一个模型，而是"双专家 + 调度器"：

化学问答专家：Qwen2-72B-Instruct 做 LoRA 微调（可训参数 862M，仅占 1.17%），训练数据 = 84.8 万条教材蒸馏问答 + 117.6 万条关键词扩展数据；
逆合成专家：T5-Large（770M）在 378 万条清洗后的 Pistachio 反应数据（从 2,400 万条原始反应两步清洗：RDKit 标准化去重 + 化学过滤）上微调；
BrainGPT 调度器：ChatGLM3-6B 两阶段微调，按用户意图把请求分发给对应专家或工具（BrainGPT 已开源）。

战绩相当硬：USPTO-50K 单步逆合成 Top-1 68.3%（已知反应类型），同任务 GPT-4o-mini 只有 0.06%、DeepSeek-V3 2.76%、DeepSeek-R1 3.12%；大学化学题 83.33 分超过底座 Qwen2 的 79.17，综合分超 GPT-4o 8.5%、超 DeepSeek-R1 5.7%。更可贵的是它对"现实边界"的诚实：在 1,424 个药物化学期刊真实单步反应上命中 884 个（62.1%），完整路线 Top-1/3/10 精确匹配只有 19.6%/45.7%/64.6%------正式版口径完整复现 7 条文献与专利报道的药物合成路线（预印本口径为 242 条有效预测复现 13 条），覆盖托伐普坦、瑞德西韦、阿贝西利、巴瑞替尼等真实药物。Benchmark 高分与真实文献可用性之间差 3 倍以上，这篇论文自己把差距摆出来了。

§4. 路线三：多模态外挂------让模型"看见"化学

化学家日常面对的不只是文本：分子结构图、反应式图片、质谱、红外谱。两个模型把化学 LLM 的输入从"文本 + SMILES"扩展到视觉与谱图。

4.1 ChemVLM：首个开源化学多模态模型（AAAI'25）

上海 AI Lab（arXiv:2408.07246，入选 AAAI 2025），采用 LLaVA 式的 ViT-MLP-LLM 架构：InternViT-6B 做图像编码（448×448 输入、最多 12 切块）+ MLP 投影层对齐图文 + ChemLLM-20B 做语言底座，合计 26B（另发 8B 版）。训练是两阶段 SFT：阶段一冻结 LLM、只训投影层和视觉编码器的 LoRA（rank 32）做模态对齐；阶段二给 LLM 加 LoRA（rank 16）做任务微调。训练数据是双语多模态 QA------分子、反应式、化学考题，还用 RDKit/RanDepict 做手绘风格、旋转、畸变的数据增广。

自建三个评测集（ChemOCR 化学图片识别、MMCR-Bench 多模态推理、MMChemBench 分子理解），6 个任务拿下 5 个 SOTA：分子描述 98.2%（GPT-4V 95.2%）、性质预测 80.9%（GPT-4V 38.6%）、化学 OCR 71.0%（GPT-4V 15.0%），CMMU 中文多模态基准 31.6% 也超过 GPT-4V 的 24.2%。权重开源（AI4Chem/ChemVLM-26B）。

4.2 ChemDFM-X：一套权重吃下七种模态

上交大 × 苏州实验室（Sci China Inf Sci 67(12):220109, 2024），把 ChemDFM 从"文本 + SMILES"扩展到 7 种输入模态 ：文本、SMILES 之外，新增 2D 分子图（MoleBERT 编码器）、3D 构象（Uni-Mol 编码器）、分子/反应图片（CLIP 编码器）、串联质谱 MS2、红外谱 IR。后两种谱图数据最缺------实验贵、量子计算更贵------于是用简化近似计算生成 MS2 数据、用 Chemprop-IR 神经网络预测约 100 万张 IR 谱图。最终从 130 万条种子 SMILES 生成 760 万条跨模态指令数据。

架构是"各模态独立编码器 + 统一 ChemDFM 解码器（冻结）"，工程接口也很清爽：每种模态一个特殊 token（[MM_FILE_G/C/I/M/R]）+ 标准文件格式（.sdf / .xyz / .png / .mgf / .csv）。一个有实战价值的发现：SMILES 与 3D 构象同时输入时表现最优------多模态不是噱头，是互补信息源。13B 权重开源（ChemDFM-X-v1.0-13B）。

§5. 路线四：工具 Agent------模型出推理，工具出计算

前三个路线都在"改模型"，这条路线换了个思路：模型不擅长的原子计数、价键校验、合成可行性，交给专业工具做，模型只负责规划与调度。

5.1 Coscientist：GPT-4 驱动的自主化学实验

CMU Gomes 组，Nature 624:570--578（2023）的标志性工作。多 Agent 架构清晰：Planner （GPT-4 主控）通过三条命令调度三个模块------GOOGLE 走 Web searcher（本身是另一个 LLM）查互联网，PYTHON 在隔离 Docker 容器 里执行代码，EXPERIMENT 通过 Documentation 模块翻译出的 API 驱动自动化硬件（Opentrons OT-2 液体工作站）。代码写错了，Planner 会自己读文档修------论文里 OT-2 的 heater-shaker 模块方法名写错后，它查文档改对并跑通，这是"Agent 自我纠错"最早的真实案例之一。

六类任务里最硬的是钯催化 Suzuki 偶联的条件优化：从互联网查反应条件、用 RDKit 算量、写液体工作站代码、执行并优化，全程半自主。还有一个贴近实验室日常的功能：给它 1,110 个样品的库存目录，它能自己定位可用的储备液。对照实验里 GPT-3、Falcon 40B 在布洛芬合成等任务上大面积失败------工具调用 + 代码执行是能力的分水岭。

5.2 ChemCrow：18 个工具的化学 Agent 参考实现

EPFL 等四家机构（Nature Machine Intelligence 6:525--535, 2024），目前引用最多的化学 Agent 范式。GPT-4 + 18 个专家设计的化学工具，按五组组织：反应类（NameRXN 反应分类、ReactionPlanner 多步逆合成、ReactionExecute 机器人执行）、分子类（Name2SMILES、性质查询）、安全类、检索类（LitSearch 文献检索、WebSearch）、通用类。执行框架是 ReAct/MRKL 式循环：Thought → Action → Action Input → Observation，循环到得出结论。

实战战绩：自主规划并执行合成了驱蚊剂 DEET 和三个硫脲有机催化剂（Schreiner、Ricci、Takemoto 型），走 IBM RoboRXN 云平台真做出来了；还指导发现了一个目标性质的新发色团。专家评审的结论比战绩更有价值：复杂任务上 ChemCrow 完胜裸 GPT-4，简单记忆型任务（对乙酰氨基酚合成这种）反而是 GPT-4 答得更完整 ；更扎心的是 EvaluatorGPT（LLM 当裁判）偏爱 GPT-4 那种流畅但幻觉的答案------LLM 评测 LLM 在化学上不可靠，这一条至今是领域共识。代码开源（ur-whitelab/chemcrow-public）。

§6. 十个模型总表与选型建议

6.1 十个考生总表

模型	年份	机构	路线	关键数字
Galactica	2022	Meta	从头预训练	106B tokens / 125M--120B；SMILES 字符级分词；MATH 20.4% 超 PaLM-540B
Coscientist	2023	CMU	工具 Agent	Planner + 3 模块；Suzuki 偶联自主优化（Nature）
ChemDFM	2024	上交大	继续预训练	LLaMA-13B + 34B tokens + 2.7M 指令；多数任务超 GPT-4
ChemLLM	2024	上海 AI Lab	继续预训练	InternLM2-7B + ChemData 7M；名称转换 22.0 vs GPT-4 5.0
LlaSMol	2024	俄亥俄州立	LoRA 微调	只调 0.58% 参数；分子式 93.2% vs GPT-4 4.8%
ChemCrow	2024	EPFL 等	工具 Agent	18 工具；DEET + 3 催化剂真合成（NMI）
SMI-TED	2024--25	IBM	从头预训练	91M 分子 / 289M+MoE；QM9 12 任务 11 项前二
ChemVLM	2024	上海 AI Lab	多模态外挂	26B = 6B ViT + 20B LLM；6 任务 5 SOTA（AAAI'25）
ChemDFM-X	2024	上交大	多模态外挂	7 模态 / 7.6M 跨模态指令；SMILES+3D 同输最优
ECNU-ChemGPT	2026	华东师大	继续预训练	USPTO-50K Top-1 68.3%（GPT-4o-mini 0.06%）；双专家 + BrainGPT

6.2 场景选型速查

你的场景	首选	理由与备选
化学对话问答、文献理解	ChemDFM（13B/8B 开源）	数据配方最扎实；中文场景可看 ChemLLM-7B
分子性质预测、嵌入检索	SMI-TED	289M 单卡即用，嵌入空间化学分层好；量大用 MoE 版
逆合成路线设计	ECNU-ChemGPT	Top-1 68.3% + 真实药物路线复现；它自己标注了现实边界
看图识分子、读反应式图片	ChemVLM	化学 OCR 71.0% 领先；要谱图输入上 ChemDFM-X
搭自己的化学 Agent	ChemCrow 范式	18 工具 + ReAct 循环是公开参考实现；自动化实验看 Coscientist

§7. 局限与展望

当前限制：

幻觉与认知校准没有解决。GPT-4 答错时的自信度和答对时一样高，ChemCrow 的实验更证明 LLM 当裁判会偏爱流畅的幻觉答案------"答对 ≠ 想对"目前没有任何模型针对性优化；
专用微调普遍牺牲通用能力。化学涨分、通用语言能力受损的灾难性遗忘在多个模型上出现，ChemDFM/ChemLLM 靠混入通用数据缓解但没根治；
多模态是最弱一环。ChemVLM 的化学 OCR 才 71%，谱图模态（ChemDFM-X 的 MS2/IR）大量依赖合成数据近似，离真实实验谱解析还有距离；
Agent 缺专用评测。Coscientist/ChemCrow 的能力靠案例展示，没有标准化的"多步实验规划"基准。

未来方向：

表示层的收益可能大于模型层------Galactica 的字符级分词、SMI-TED 的分子词表都在提示：先把分子"喂对"，模型能力才能兑现；
小模型 + 好数据 + 对的工具 > 裸大模型------LlaSMol 用 0.58% 参数逼近专用模型，ECNU-ChemGPT 用微调的 T5-Large 吊打通用旗舰的逆合成，这个叙事在化学上反复成立；
过程评估进训练目标------谁能优化"推理路径保真度"而不是只优化答案，谁就可能拿下下一代化学大模型的话语权；
Agent 级闭环------从工具调用走向"设计-合成-测试-分析"全自动循环，Coscientist 的机器人平台 + ChemCrow 的工具栈是两个待合流的方向。

§8. 结语

10 个考生、四条路线，一句话收束：化学大模型在知识层已经毕业，在推理层还在补课，在实验闭环上刚开考。选型上不必追最大：对话与文献场景 ChemDFM/ChemLLM 系够用；分子性质与嵌入 SMI-TED 单卡即用；逆合成认准 ECNU-ChemGPT 这类"benchmark + 真实路线双验证"的工作；要搭化学 Agent，ChemCrow 的"LLM + 工具"范式仍是当前最稳的起点------模型不擅长的计算，交给 RDKit 和专业引擎就好。

参考来源

Taylor R, et al. Galactica: A Large Language Model for Science. arXiv:2211.09085（2022）
Boiko D A, et al. Autonomous chemical research with large language models. Nature 624, 570--578 (2023). 10.1038/s41586-023-06792-0
Bran A M, et al. Augmenting large language models with chemistry tools. Nature Machine Intelligence 6, 525--535 (2024). 10.1038/s42256-024-00832-8
Zhao Z, et al. Developing ChemDFM as a large language foundation model for chemistry. Cell Reports Physical Science 6(4) (2025). 10.1016/j.xcrp.2025.102523；代码 OpenDFM/ChemDFM
Zhang D, et al. ChemLLM: A Chemical Large Language Model. arXiv:2402.06852（2024）
Yu B, et al. LlaSMol: Advancing Large Language Models for Chemistry with a Large-Scale Instruction Tuning Dataset. arXiv:2402.09391；数据 osunlp/SMolInstruct
Soares E A, et al. SMI-TED: A large-scale foundation model for materials and chemistry. arXiv:2407.20267（ICLR 2025）；正式版 10.1038/s42004-025-01585-0
Li J, et al. ChemVLM: Exploring the Power of Multimodal Large Language Models in Chemistry Area. arXiv:2408.07246（AAAI 2025）；代码 AI4Chem/ChemVlm
Zhao Z, et al. ChemDFM-X: Towards Large Multimodal Model for Chemistry. Sci China Inf Sci 67(12):220109 (2024). 10.1007/s11432-024-4243-0
ECNU-ChemGPT: A Large Language Model for Chemistry and Retrosynthesis Prediction. CCS Chemistry (2026). 10.31635/ccschem.026.202607359；预印本 arXiv:2507.01444

系列导航 ：专栏全集 化学大模型

更多专栏：

蛋白 / 抗体 / 多肽 / 核酸	分子模拟 / 动力学 / 对接	药物 / 设计 / 案例	AI / Agent / 大模型
开源蛋白结构预测	分子模拟基础	小分子药物设计案例	AI Agent系列
开源蛋白生成方法实践	分子动力学模拟-Amber	蛋白药物设计案例	化学大模型
开源多肽设计模型	分子动力学模拟-Gromacs	多肽药物设计案例	《AI Agent原理与实战》
开源多肽性质预测	分子动力学模拟-OpenMM	开源小分子生成设计	CADD中的机器学习模型
DNA/RNA药物设计	結合自由能	高效计算配置	《MCP 入门实战》
siRNA药物设计模型	UCSF DOCK系列	我胡师兄说药	《AI入门实战2026》
ASO药物设计模型	rDock系列 LeDock系列 gnina系列		《经典机器学习实战》