在人工智能领域，大模型的研究不断进展，尤其是在推理能力的提升上。最近，由前谷歌 CEO 埃里克・施密特投资的初创公司 FutureHouse，开源了一个名为 ether0的化学任务推理模型，参数规模高达240亿。这一模型在不需要额外领域预训练的情况下，通过后训练技术，展现出强大的化学领域能力，尤其是在数据需求上相比于传统领域专用模型显著减少。
推理模型的应用不仅限于简单的选择题测试，FutureHouse 团队希望通过 ether0改变这种现状，推动科学推理的深入研究。为了构建该模型，研究团队从大量的学术论文中整理了化学实验数据，追踪分子特性如溶解度和气味，并将这些数据转化为可验证的科学问题。
ether0基于 Mistral-Small-24B 架构，利用强化学习进行训练，并处理了640，730个实验数据相关的化学问题，涵盖18类任务，包括合成可行性、血脑屏障渗透性和气味分析等。为了提升模型性能，研究团队引入了推理行为蒸馏和动态课程学习等技术。
在性能评估方面，ether0与多种通用大语言模型（如 Claude、o1）及化学专用模型(如 ChemDFM、TxGemma)进行了对比。结果显示，ether0在开放答案(OA)类别中准确率最高，选择题(MCQ)方面也具备强大的竞争力。其在某些任务上的准确率甚至达到了竞争对手的两倍以上。
此外，ether0在训练成本上也展现出显著的优势，要达到相似的反应预测准确率，传统的非推理型模型需要消耗50倍以上的数据。尽管 ether0在独立基准测试中难以与其他模型及人类表现进行交叉验证，但其能够对未经过训练的分子结构进行有效推理。
总之，ether0不仅能理解自然语言提问，还能通过自然语言进行推理，最终生成分子结构，特别擅长于类药分子的设计。尽管目前仍处于原型阶段，但其已为未来构建通用科学推理模型奠定了坚实的基础。
划重点:
🌟 Ether0是由 FutureHouse 开源的240亿参数化学推理模型。
📈 该模型的准确率在多个任务中超越了 GPT-4.1和 DeepSeek-R1等领先模型。
💰 训练 ether0所需的数据量显著低于传统非推理型模型。