ICLR 2024 | Mol-Instructions: 面向大模型的大规模生物分子指令数据集

发表会议：ICLR 2024

论文标题：Mol-Instructions: A Large-Scale Biomolecular Instruction Dataset for Large Language Models

论文链接：https://arxiv.org/pdf/2306.08018.pdf

代码链接：https://github.com/zjunlp/Mol-Instructions

引言

在自然语言处理（NLP）的众多应用场景中，大型语言模型（Large Language Model, LLM）展现了其卓越的文本理解与生成能力，不仅在传统的文本任务上成绩斐然，更在生物学、计算化学、药物研发等跨学科领域证明了其广泛的应用潜力。尽管如此，生物分子研究领域的特殊性—比如专用数据集的缺乏、数据标注的高复杂度、知识的多元化以及表示方式的不统一—仍旧是当前面临的关键挑战。针对这些问题，本文提出Mol-Instructions，这是一个针对生物分子领域各项研究任务定制的指令数据集。

构建 Mol-Instructions

Mol-Instructions的构建流程如下：

• 借助LLM的能力，生成多样化的任务描述，模拟人类需求和表达的多样性。

• 采用多种预处理策略，将现有数据库中的