ChefNMR2

ChefNMR2 是由 普林斯顿大学（计算机系 Ellen D. Zhong 与化学系 Mohammad R. Seyedsayamdost 团队）与 AI 科研公司 Edison Scientific 联合开发的 小分子结构解析生成模型：输入分子式和一维 ¹H / ¹³C NMR（核磁共振）峰列表，直接生成候选分子结构。

论文《Small molecule structure elucidation from NMR spectra with generative and reasoning models》于 2026 年 10 月 29 日发布在 bioRxiv，2026 年 11 月 2 日（北京时间 11 月 3 日凌晨） Edison 宣布 ChefNMR2 正式接入其 AI 科学家平台 Kosmos，研究者可以直接在 Kosmos 里调用。

它是怎么工作的

• 原子级流匹配（atomic flow matching）：把结构解析看作“在分子式和 NMR 峰的条件下生成原子坐标”。模型由 峰编码器 + 多模态扩散 Transformer 组成，峰 token 与原子 token 之间做联合注意力；推理时从随机噪声逐步变换出原子坐标，再推断化学键得到候选结构。
• 自带置信度：对同一输入重复采样，用不同平面结构出现的频率作为经验置信度；先采 100 个样本，再根据置信度自适应决定要不要多采。
• ChefNMR2-Agent：在生成模型外面套一层大模型推理智能体（运行在 Kosmos 上），可以用自然语言交互、做化学推理、调用计算工具和检索文献，对不确定的样本深入分析。

关键数据

指标	数值
训练数据	252 万个分子（实验 + 模拟谱图）
测试集	5 个测试集共 2031 个分子
ChefNMR2 top-1	82.3%
最佳专用从头模型 NMRTransformer	35.4%
检索方法 NMR-Solver	60.1%
最佳 LLM（Claude Opus 5）	52.0%
速度/成本	中位运行时间最多低 2170 倍，单分子成本低 360 倍

团队还用 ChefNMR2-Agent 解析了 4 个新天然产物 的结构，准确度与人类化学家相当但耗时大幅缩短。

需要注意

论文尚未经过同行评审；部分对比工具与测试集存在训练重叠；大且与训练集差异大的分子准确率会降到 57% 左右。作者强调它的定位是 给专家提供排序后的候选结构，而不是自动“认证”分子身份。

适合谁

• 做 天然产物、药物化学、合成化学 的研究者，需要从 1D NMR 数据快速推断未知小分子结构。
• 拥有大量历史谱图、希望批量初筛结构的实验室或 CRO。
• 关注“专用生成模型 + 通用推理智能体”范式的 AI for Science 从业者。

如何上手

1. 阅读项目页 chefnmr.cs.princeton.edu 和 bioRxiv 论文，了解输入格式（分子式 + ¹H/¹³C 峰列表）与局限。
2. 在 Edison Scientific 的 Kosmos 平台中调用 ChefNMR2 / ChefNMR2-Agent，上传谱图峰列表并描述样品背景。
3. 查看返回的候选结构及置信度：高置信度结果可快速确认，低置信度结果交给智能体进一步推理或由化学家复核。
4. 对关键结论仍需用 2D NMR、质谱等实验手段验证。