Foundation Molecular Grammar：让多模态模型替化学家写分子语法，真的可解释吗？

0. 链接验证表与证据边界

下列 URL 均在 2026‑09‑06 实际访问。数字仅来自本次下载并逐页读取的 PDF；网页只用于核对 venue、版本与公开资产。核心证据以 ICML 2025 的 52 页 PMLR 定稿为准；arXiv 仅有 v1，2025‑05‑29，与定稿内容一致。OpenReview URL 可到达，但当前返回浏览器验证页，故只记为“链接存在，正文未由该页复核”。“未找到”表示在 PMLR、arXiv、作者仓库和精确标题检索中未找到，不等于绝对不存在。

索引交叉检查：核心论文的 Semantic Scholar 入口由 arXiv 元数据指向；Hugging Face Daily Papers 与 Papers with Code 的精确标题检索均未找到核心论文独立条目，因此标记为“未收录/未找到”，不以搜索摘要补数字；ACL Anthology 不收录该 ICML 论文。候选池先从 ICML 2025 PMLR 正式 proceedings 建立，再逐篇对照 OpenReview，另以 arXiv、Hugging Face、Papers with Code 与 Semantic Scholar 查询版本或重复项。

1. 候选池、去重与随机选择

先读取 ml-report-index.md，排除最近 14 天已深度覆盖的 KLDM 晶体生成、TIMING 时序解释、DreamGen 世界模型机器人、QServe/Lumos 系统、DocVXQA 文档解释 等论文与相近主题；也主动避开更早已覆盖的多模态蛋白语言模型。以下 24 篇均为 ICML 2025 主会长文，距本次运行不足 24 个月。完整编号、标题和正式 URL 保存在 2026-09-06_candidates.tsv。执行命令 shuf -i 1-24 -n 1，实际输出 21，即 FMG；其定稿、代码、主结果、三层消融和专家审查材料齐备，因此 0 次重抽。

1. From Mechanistic Interpretability to Mechanistic Biology
2. Raptor: Train‑Free Embeddings for 3D Medical Volumes
3. BounDr.E: Predicting Drug‑likeness
4. A Variational Perspective on Generative Protein Fitness Optimization
5. DiffMS: Molecules Conditioned on Mass Spectra
6. Efficient Molecular Conformer Generation with SO(3)-Averaged Flow Matching
7. Generalists vs. Specialists for Biophysical Sequence Optimization
8. An All‑Atom Generative Model for Designing Protein Complexes
9. Hierarchical Graph Tokenization for Molecule‑Language Alignment
10. Flexible Models of Genetic Variant Effects
11. InfoSEM for Gene Regulatory Network Inference
12. Predicting Mutational Effects on Protein Binding
13. Dictionary Learning from Microscopy Foundation Models
14. Retrieval‑Augmented Zero‑Shot Enzyme Generation
15. MF‑LAL for Drug Compound Generation
16. OneForecast for Global and Regional Weather
17. EEG‑Language Pretraining for Clinical Phenotyping
18. Static‑Dynamic Fusion for Protein Graphs
19. Steering Protein Language Models
20. Multi‑Reward Structure‑Based Drug Design
21. Foundation Molecular Grammar
22. Offline Model‑Based Optimization for Molecular Discovery
23. UniSim for Time‑Coarsened Biomolecular Dynamics
24. CellFlux for Cellular Morphology Simulation

2. Motivation：小数据分子生成缺的不是又一个大模型

分子生成同时受三类约束。第一是语法约束：原子价、键类型与连接必须合法；第二是语义约束：候选物要可合成、属于目标化学类别；第三是数据约束：真实材料设计常只有十几个经专家确认的样本。FMG 的三个小数据集只有 Isocyanates 11 个、Acrylates 32 个、Chain Extenders 11 个训练例；两个“真实世界”集合 HOPV 与 PTC 也只有 316/348 个（核心 PDF 印刷页 6，表 1、2）。在这种样本量下，端到端 VAE 很容易坍缩：JT‑VAE 在三小集合的唯一率仅 5.8%、0.5%、2.3%；MolT5 更只有 0.9%、0.3%、7.1%（页 6，表 1）。

语法方法能把硬约束写进生成器。MHG 以分子超图和 HRG 保证 100% validity，但其自动拆分以原子/键等细粒度结构为主，未必形成化学家熟悉的官能团。DEG 学习拆分策略，并可针对多样性、Retro* 等目标优化，可是决策来自不可解释的神经采样器。RW 反向选择：让专家直接给 motif，语法轨迹由此可读，但知识采集重新变成人工瓶颈。

FMG 的问题因此非常具体：能否把“专家决定哪里是一个有意义基团”的工作交给已经吸收大量化学知识的多模态模型，同时把模型关在一个始终生成合法 HRG 的算法框架内？这不是让 GPT‑4o 直接吐 SMILES。核心对照显示，直接 GPT‑4 ICL 的平均 validity 只有 91%（小集合）和 71%（HOPV/PTC），而 FMG 均为 100%；说明形式系统确实承担了合法性，而模型主要承担语义选择（页 6–7，表 1、2）。

3. 论文故事线、假设与权衡

故事线分为五步。先把分子转换为以键为节点、共享原子关系为超边的超图；再抽取最大 clique，并通过三角化保证存在满足 running-intersection property 的 clique tree。接着让 GPT‑4o 看 RDKit 渲染图：合并应构成官能团的 clique、在环上删去语义较弱的相互作用、选择最能代表类别的 root motif。每一步的自然语言解释被保存为 design story。对同一分子重复 K 次后，另一个 LLM judge 比较故事，Swiss tournament 加 Bradley–Terry 排序，取 Top‑k 个专用语法汇总。生成时，从所有可用规则中按训练集中出现次数比例采样（页 2–6，图 1–3，§3）。

核心假设有三层：

• 表征假设： RDKit 二维图像比 SMILES 更容易让 MMFM识别局部 motif 及全局上下文。
• 知识假设： GPT‑4o 预训练中获得的化学先验足以补偿 11–348 个样本的不足。
• 审计假设： 模型写出的设计叙事既能帮助另一个模型排名，也能作为人类可理解的“质量证书”。

前两层得到部分经验支持，第三层证据最弱。图像版 FMG 在表 1–2 的 24 个非 validity 指标中总体优于 FMG‑Text，后者在没有 FMG 时仍赢得 13/24 列（页 9，§5.2）；但这不等于图像中的理由忠实反映生成决策。design story 同时是决策输入、排序依据和解释输出，性能与可解释性并非独立验证。真正的权衡也很清楚：复杂、类别特异的 RHS 会提高 membership，却降低规则复用范围；加入更多 k 个语法增加多样性与 RS，又稀释类别 motif（页 7–8，§4–5.1；附录 E，页 17–18）。

4. 方程级形式化与算法流程

设分子超图 H=(V_H,E_H)：V_H 是化学键；若两条键共享原子，则形成二元超边；最小环作为单独超边。由 H 的普通图 G_H 抽取最大 clique 得 G_C=(V_C,E_C)。一个 clique tree T 必须满足：每个原图节点至少出现在一个 tree node；每条超边完整落入恰好一个 node；包含同一节点 v 的 tree nodes 构成连通子树。后者即 running-intersection property（核心 PDF 印刷页 3，§3.1）。

超边替换语法写为：

G = (N, T, S, P)
N：非终结超边标签；T：终结标签；S：起始非终结符；P：产生式集合
p ∈ P :  A → R

每个 parent–child clique 关系转成产生式。对第 i 个分子、第 r 次随机运行，得到 clique tree G_C^(i,r) 与专用规则集 P(G_C^(i,r))。叙事 COT_r^(i) 由所有步骤的解释拼成。judge 产生两两胜负 y_ab，Bradley–Terry 估计能力参数：

Pr(a beats b) = exp(θ_a) / [exp(θ_a)+exp(θ_b)]
ranking = argsort_r θ_r
P_D(k) = ⊎_i ⊎_{r ∈ Top-k(i)} P(G_C^(i,r))

⊎ 是保留次数的多重集合并。若当前生成状态 g_t 可应用规则集合为 A(g_t)，规则按语料频数采样：

Pr(p | g_t) = count_D(p) / Σ_{q∈A(g_t)} count_D(q),  p∈A(g_t)
g_{t+1} = Apply(g_t,p)

因此 GPT‑4o 不直接决定每次采样；它在语法归纳时改变规则的粒度、树结构和根节点，之后的生成是可审计的计数采样。形式保证来自三角化、clique tree 与 Kajino 的 HRG 到分子转换，不来自 LLM 正确率。

伪代码

for molecule H_i in dataset D:
    base_cliques ← bonds ∪ minimal_rings
    G_C ← CLIQUE(TRIANGULATE(G_H))
    for r = 1..K:
        while meaningful_pair_exists:
            render highlighted motifs
            (u,v,reason) ← GPT-4o(pair-selection prompt)
            merge(u,v); log(reason)
        while G_C has cycle:
            render highlighted interactions
            (edge,reason) ← GPT-4o(least-important-edge prompt)
            delete(edge); verify running-intersection
        (root,reason) ← GPT-4o(root-motif prompt)
        P_i,r ← TreeToHRG(G_C,root)
        story_i,r ← summarize(all logged reasons)
    ranking_i ← SwissTournament(story_i, BradleyTerry)
P_D ← multiset union of Top-k P_i,r
sample molecules by frequency-weighted applicable HRG rules

5. 关键机制与工程细节

论文对基线采用三种适配：VAE 从头训练 (T)、预训练后微调 (FT)、或把小数据编码的 latent 拟合 Gaussian 再 posterior interpolation (I)；GPT‑4 ICL 用全部小数据或真实集合的随机子集；MolT5/Text+Chem T5 每次随机采 5 个训练分子、最大生成长度 512（附录 B，印刷页 13）。小集合各生成 10,000 个，HOPV/PTC 各 1,000 个（页 6 脚注 1；附录 C）。训练硬件、总 API 调用数、token 量、美元成本和墙钟时间均未报告。

6. 数据集、基准与指标

指标含义：Validity/Unique/Novelty 是合法、去重、训练集外比例；Diversity 是平均 pairwise Tanimoto distance；RS 是 Retro* 模型找到合成路线的比例；Membership 是符合目标类别规则的比例（页 6，§4）。RS 是模型代理指标，不是实验室成功率；高 validity 也只代表图结构/价态规则可解析，不代表稳定、无毒或可制造。HOPV/PTC 的 membership “not strictly defined” 是作者原话所表达的限制（页 7）。

7. 完整主结果数据矩阵

7.1 三个小样本基准（ICML 定稿表 1，印刷页 6）

下表完整保留六个代表方法在五类指标上的结果；每组三值依次为 Isocyanates / Acrylates / Chain Extenders。Validity 是三任务平均。粗体只标这一代表子集中的逐列最优；完整原表另含 JT‑VAE、Hier‑VAE、MHG、STONED、MoLeR(I)、两种 T5 与 FMG‑Text。

与最直接的自动语法基线 DEG 比，FMG 的 RS 分别提高 +34.5、+49.1、+31.6 pp，相对 +126.84%、+111.85%、+46.81%；membership 提高 +3.3、+30.4、+6.3 pp。但 diversity 同时下降 −0.13、−0.40、−0.08，相对 −15.12%、−46.51%、−8.60%。因此，“更容易被 Retro* 规划且更像目标类别”的结论成立，“更全面覆盖化学空间”不成立。尤其 Acrylates 的 diversity 从 0.86 降至 0.46，几乎腰斩。

7.2 HOPV 与 PTC（ICML 定稿表 2，印刷页 7）

每格为 HOPV / PTC。这里保留六个能揭示不同权衡的方法；完整原表还含 JT‑VAE、Hier‑VAE、MoLeR(I)、MolGPT、MolT5、Text+Chem T5 和 FMG‑Text。

相对 RW，FMG 的 RS 为 +12/+18 pp，相对 +20.69%/+30.00%，这支持“无需专家 motif 也能找到更可规划样本”。但 HOPV membership 从 71% 降到 38%（−33 pp，−46.48%）；PTC 则从 22% 升到 46%（+24 pp）。一个方法在同一指标跨数据集反向，说明效果取决于类别定义与 prompt，而非稳定的通用语法优势。

7.3 MOSES 分布压力测试（附录表 8，印刷页 19）

FMG 在无条件合法、唯一、多样、新颖上强，但 FCD 是 CharRNN 的 50.58 倍（26.30 对 0.52），甚至比 HMM 的 25.43 还坏 3.42%；SNN 也只有 0.29。作者明确写“direct comparisons should not be made”，所以这张表只能说明极小数据语法能扩张，但严重脱离目标分布，不能用来宣称 MOSES SOTA。

8. 逐层消融、超参敏感性与相变

8.1 图像 vs 文本

FMG‑Text 把图像改成原子编号 SMILES + motif atom list。小集合 FMG 相对 FMG‑Text 的 RS 为 61.7 vs 33.1、93.0 vs 87.1、99.1 vs 98.5，绝对 +28.6/+5.9/+0.6 pp；diversity 几乎相同（0.73/0.46/0.85 对 0.73/0.46/0.84）。真实集合 RS 也只高 1/1 pp（70/78 对 69/77），membership 反而 HOPV 低 5 pp、PTC 高 13 pp（表 1–2）。所以“图像全面更好”过强：最可信的增益集中在 Isocyanates RS，而不是所有数据与指标。

附录 F 还记录第一次 Tagged‑SMILES 尝试失败：GPT‑4o 把带 ring closure 的 cyclopentane motif误读成直链 CCCCC；第二次才改为全部原子编号（印刷页 18）。这支持图像对局部强调更自然，也暴露文本基线并不是唯一或最强的分子序列编码。

8.2 Merge / Edge / Root（表 4，印刷页 9）

k=5 时，FMG Avg 在三小集合的 RS 是 44.3±3.4 / 87.4±1.5 / 91.9±3.8。去 merge 后为 32.6±5.7 / 91.0±2.0 / 97.4±0.8：Isocyanates 下降 11.7 pp，但后两者反而上升；membership 则由 60.14±13.63 / 35.48±4.02 / 28.30±13.25 变成 95.75±4.16 / 16.61±0.78 / 15.48±1.11。这说明 merge 不只“增加质量”，它重新分配 RS 与类别性。

去 edge（用 MST）后 RS 为 57.9±6.5 / 93.5±1.8 / 99.9±5.4，三列都高于 FMG Avg；但 membership 变为 45.81±15.34 / 37.44±5.32 / 38.56±10.58，仍是混合结果。论文写“only slightly worse”并不适合概括全部列。去 root 后 diversity 提高到 0.79±0.03 / 0.85±0 / 0.83±0.02，RS 49.1±7.0 / 89.5±2.6 / 91.9±10.9，membership 多数降低。单模块消融显示没有单调优势；完整 FMG 的价值是可控折中，而非每个 LLM 决策都贡献正向平均性能。

8.3 k 的敏感性与相变

图 4/6 给出小集合 k=1…10、HOPV/PTC k=1…5。论文只提供曲线，没有逐点数字表，因此本报告不从像素补造值。可严谨推出三件事：低 k membership 近 100%；随 k 增大 membership 持续下降，而 diversity 与 RS 上升；Top‑k 与前 k 次运行（1‑k）在 diversity/RS 上“无显著差异”，差别主要在类别 motif（页 8；附录 E）。这是一种结构性相变：规则池从“少量复杂、类别特异 RHS”变成“更多简单、可复用 RHS”。最优 k 依赖用户到底优先类别纯度还是覆盖与可合成率；论文没有给自动选 k 的验证集准则。

8.4 统计显著性

作者只对 LLM judge 与专家的 77/108=71% 一致率给出独立公平硬币零假设下 p=1.1×10⁻⁵（附录 D，页 16–17，表 7）。本报告复算 Wilson 95% 区间约 62.15%–78.98%；但同一分子做 3 次、同一 judge 且翻转顺序，观测并非独立，原 p 值可能过于乐观。

主表 1–2 未报告跨独立 grammar induction 运行的置信区间或显著性检验。附录 C 的解释是 1,000/10,000 生成样本足以吸收采样误差，但这只降低“从固定语法采样分子”的 Monte Carlo 误差，不能吸收 GPT‑4o、tree decomposition、tournament 与训练基线的运行间方差。表 4 报告 ±，却没有清晰说明是标准差、标准误还是其他量；因此不能据此判断模块差异显著。

9. 真正贡献、可复用设计与迁移潜力

真正贡献不是“GPT‑4o 懂化学”，而是一个可复用的神经符号接口模式：把不可验证的模型知识限定为局部离散选择，把合法性留给可验证算法。若 LLM 合并 motif 的理由很糟，三角化与 HRG 仍可保证生成结构在语法语言内；这比直接生成 SMILES 更容易分层审计。

第二个贡献是把自然语言 artifacts 变成候选结构的辅助评价信号。它的忠实性尚未证实，但作为专家复核 UI 很有价值：人可以沿“合并—删边—选根”回放，而不是只看一个黑箱分数。第三个贡献是明确展示小数据下“类别性—覆盖—可合成性”的 Pareto 关系，提醒 AI4Science 不能靠单一 validity 或 novelty 排名。

可迁移设计包括：在蛋白 domain decomposition 中让模型只选结构域边界、让几何约束确保链合法；在材料晶体中只让模型排序局部配位 motif、让群对称保证器负责空间群；在合成路线中让模型提出反应模板、让化学规则与库存检查做裁决。迁移前提是任务存在“可形式验证的骨架 + 难以编码的语义选择”。若连合法性都无法形式化，把 LLM 放进循环不会自动产生可信系统。

10. 相关工作：问题来源与技术传递链

10.1 MHG（Kajino, ICML 2019）

解决什么： 把分子转为超图，用 context‑free HRG 编码价态与结构约束，使单个 VAE 达到 100% validity（MHG PDF 页 1、8，表 1）。遗留缺口： 自动归纳的规则细粒度且以硬约束为主，不直接表达类别官能团和可合成语义。FMG 如何回应： 保留 MHG 的合法生成与 clique tree 框架，把“如何分解”中的离散选择交给 MMFM。设计如何传递： FMG 的 H=(V_H,E_H)、HRG 四元组、规则应用和 valid conversion 都直接继承 MHG；所以合法性功劳不能全算给 GPT‑4o。

10.2 DEG（Guo et al., ICLR 2022 Oral）

解决什么： 用可学习策略优化 graph grammar construction，在约 20 个单体样本和 117 个聚合物样本上兼顾分布、合成与多样性（DEG PDF 页 1–3）。遗留缺口： 策略网络的拆分决策不可解释，且需要外部指标定义优化方向。FMG 如何回应： 用语言模型化学先验替代神经拆分策略，无需为每个数据集训练决策器，并保留自然语言理由。设计传递： 三个小数据集、DEG 作为主要自动语法基线、RS/diversity/membership 评价框架被 FMG 沿用，因此 FMG 对 DEG 的 +31.6–49.1 pp RS 是最可比的证据。

10.3 Random Walks over Interpretable Grammars（Sun et al., ICML 2024 Spotlight）

解决什么： 让专家定义 motif，再把分子表示为语法设计空间上的 random walk，统一生成与性质预测；专家 motif 提供可解释的层级结构（RW PDF 页 1–3、5）。遗留缺口： motif 质量依赖专家，扩展到新化学类别需要重复昂贵标注。FMG 如何回应： 直接把 expert motif discovery 自动化，并在 HOPV/PTC 与 RW head‑to‑head。设计传递： FMG 的真实世界数据、membership 定义与“专家 motif 作为上限/基线”的论证来自 RW；但 HOPV 上 FMG 38% 对 RW 71% 证明自动替代尚未等价。

10.4 Grammar Prompting（Wang et al., NeurIPS 2023）

解决什么： 每个示例配一个最小 BNF 子语法，推理时先预测语法再受约束地产生 DSL；在 semantic parsing、PDDL 和 SMILES 上改善 few‑shot 结构生成（论文 PDF 页 1–4）。遗留缺口： 需要已有完整 DSL grammar，重点是字符串语法而非从分子图发现化学 motif。FMG 如何回应： 把“最小专用语法”扩展到图结构，并让模型介入语法归纳而不只是选择已知 BNF 规则。设计传递： specialized grammar、规则作为中间推理对象、约束生成与 LLM reason‑then‑generate 的范式直接传到 FMG；区别是 FMG 把形式正确性留给 clique/HRG 算法。

10.5 非线性技术演进树

                         ┌─ SMILES / SELFIES ── CLM / ICL
                         │      短板：语法失败、少样本重复
分子合法性 ── MHG/HRG ──┤
  100% validity          ├─ DEG：学习拆分策略 ── 高 RS / 黑箱决策
                         │
                         └─ 专家 motif ── RW：可解释随机游走
                                      │
DSL few-shot ── Grammar Prompting ─────┤
  specialized grammar                 ▼
                              FMG：图像 + GPT‑4o 语义选择
                               │      + HRG 形式护栏
                               ├─ design story → LLM tournament
                               └─ Top-k 规则池 → 类别性/覆盖 Pareto

演进动力有三次转折：从字符串合法性转向图语法硬保证；从固定、细粒度语法转向可学习类别子结构；再从不可解释策略或人工 motif 转向 foundation model 先验。FMG 的新意正处在第三次转折，但也把系统风险从“模型训练不足”换成“封闭模型漂移、叙事忠实性与成本不可见”。

10.6 跨论文对标

11. 论文自述限制

1. 覆盖与多样性： 作者指出复杂 RHS 规则适用范围更窄，在约 30 个或更少样本的极端设置会导致规则数少、coverage/diversity 低（印刷页 7，表 1 后讨论）。这正对应 Acrylates diversity 0.46。
2. 类别定义与 k 权衡： HOPV/PTC membership 没有严格定义，且 k 在 membership 与 {diversity, RS} 间形成尖锐折中（页 7–8；附录 E）。所以不能给所有数据集使用一个默认 k 并称为最优。
3. 专家直觉： 专家总结称，GPT‑4o 在需要经验知识、多重合理解释或更深解释时会遗漏替代视角；高难任务仍需 refinement（附录 H.7，印刷页 52）。

12. 独立批判（证据 → 推论）

1. [统计设计] 因为主表只对固定语法生成 1,000/10,000 个样本，却没有重复完整 GPT‑4o 归纳—tournament 流程，且作者声称“大样本吸收 error bars”（附录 C），所以它只能控制分子采样误差，不能支持方法级稳定性结论。
2. [显著性] 因为 judge 的 108 次比较由同一批分子、同一模型每个重复 3 次并含顺序翻转，独立 Bernoulli 假设不成立；所以 p=1.1e−5 不能直接当作泛化到新分子/新专家的一致性证据。71% 的 Wilson 95% 区间仍宽至约 62.2%–79.0%。
3. [解释忠实性] 因为 design story 由参与决策的同类模型事后总结，又被同类 LLM 用作排名输入，而专家只评价叙事化学上是否合理，所以“解释合理”并不等于“解释忠实地导致该 tree”；需要干预叙事、固定 tree 的因果测试。
4. [外部效度] 因为所有语义模块只用未注明快照的 GPT‑4o，未与 Gemini、开源 VLM 或不同 provider 版本 head‑to‑head，所以不能把结果归因于“MMFM”这一方法类别；它可能是单个服务模型与 RDKit 图风格的特例。
5. [再现性] 因为访问到的公开代码把 temperature 0、seed 42、top_p 0 写入 settings 后立即用空字典覆盖，README 还含 /home/msun415/... 绝对路径，且完整缓存与 token 成本未公开，所以当前仓库不能一键重现论文的随机性与账单。该代码 commit 晚于论文，故只能说明当前发布状态，不证明论文实验本身使用了空设置。
6. [基线公平] 因为 11 个样本时从头训练 JT‑VAE、Hier‑VAE 几乎必然不利，而 FMG 调用在海量预训练数据上学习的 GPT‑4o；所以“数据效率”只计算任务内样本，没有计算 foundation model 的预训练与 API 资源，不能等价于总数据/总计算效率。
7. [指标有效性] 因为 RS 来自 Retro* 代理且 HOPV/PTC membership 未严格定义，FMG 又在 HOPV 以 +12 pp RS 换来 −33 pp membership，所以不能从表 2推出真实可合成、类别正确的新光伏材料更多；需要实验室或至少多规划器一致性验证。
8. [分布匹配] 因为 FMG 在 MOSES 的 FCD 26.30，是 CharRNN 0.52 的 50.58 倍，SNN 也只有 0.29，所以高 validity/novelty 可能来自远离训练分布，而不是发现有用新颖性；部署时必须把分布外程度与性质收益共同纳入 Pareto。

13. 开放挑战：可操作的 head‑to‑head 空白

理论

• 解释忠实性实验： 固定完全相同的 clique tree，随机交换真实 story、模型生成的反事实 story 与无 story，比较 judge 排名、专家偏好和后续生成指标；若 story 是证书，错误叙事应被识别而不改变形式输出。
• 规则复杂度界： 在相同规则数/平均 RHS 大小约束下比较 FMG、DEG、专家 RW，画 membership–diversity–RS 三目标 Pareto；这样才能分离“模型知识”与“更复杂规则”的贡献。
• 相关观测检验： 对 judge 一致率用 molecule 为 cluster 的 bootstrap 或混合效应 logistic regression，对比论文独立 coin‑flip p 值；预注册 primary endpoint 与最小有意义差异。

工程与应用

• 模型漂移实验： 锁定同一 100 分子与 prompt，比较 GPT‑4o 固定快照、Gemini、开源 Qwen‑VL 三类模型，各做 ≥10 次完整归纳；报告规则 Jaccard、tree edit distance、API 成本、墙钟与五指标方差。
• 等预算基线： 给 DEG 与 FMG 相同美元或 GPU-hour，另加“人类 2 小时 motif 标注”RW；比较达到 RS≥70% 且 membership≥70% 所需成本，而非只比任务数据量。
• 湿实验闭环： 在一个目标材料类别中让 FMG、RW、DEG 各给 20 个候选，由盲法化学家筛选，再对可购原料、路线长度、收率与目标性质做 head‑to‑head；Retro* 只作为事前协变量。

新兴方向

• 开放 VLM + verifier： 对每个 merge 让三个模型提案，由 SMARTS/反应模板 verifier 否决；与单 GPT‑4o 比较错误 motif、RS、membership 和成本，验证“proposer–verifier”是否优于 narrative tournament。
• 主动选择 k： 用 held‑out 类别样本或 Bayesian multiobjective optimization 自动选 k，对比固定 1/5/10，指标为超体积与跨 seed 稳定性；论文目前只有曲线，没有选择规则。
• 从 2D 到 3D： 同一分子用 RDKit 2D、多个 3D conformer、SMILES 原子编号三种输入，比较对立体化学敏感任务的 grammar；这能检验图像优势是否只来自高亮便利。

14. 近期工作雷达（未作为核心定量来源）

1. DiffMS（ICML 2025）：以质谱条件生成分子，代表“观测驱动”的 inverse design；比 FMG 的类别 prompt 更具体，但不直接解决可解释语法。
2. LDMol（ICML 2025）：在结构信息 latent 中做 text‑to‑molecule diffusion；适合与 FMG 比较自然语言可控性和 validity 的责任边界。
3. Hierarchical Graph Tokenization（ICML 2025）：把层级图 token 用于 molecule–language alignment；它提供可学习 token，而 FMG 追求可读产生式，值得做同数据语义检索与专家解释对照。
4. GenMol（ICML 2025）：以离散扩散构建药物发现 generalist；规模化能力更强，但形式可验证的 rule trace 较弱。
5. Offline Model‑based Optimization for Real‑World Molecular Discovery（ICML 2025）：把重点移到离线性质优化与 distribution shift；可补 FMG 只做无条件生成的缺口。
6. All‑atom Inverse Protein Folding through Discrete Flow Matching（ICML 2025）：展示全原子结构条件的离散生成，提示 FMG 若迁移到蛋白，不能停留在二维 motif。
7. Retrieval‑Augmented Zero‑Shot Enzyme Generation（ICML 2025）：用检索把目标底物知识注入酶生成；与 FMG 的 parametric chemical knowledge 形成可审计的外部证据路线。

15. 结论与阅读建议

FMG 值得看，因为它展示了一个比“让 LLM 直接做科学”更成熟的架构：模型只做语义含量高、答案难以手写的局部选择，形式系统负责合法性，生成规则和叙事留给人审计。核心结果不是全胜，而是可合成性与类别性的重新分配：相对 DEG，三个小任务 RS 增加 31.6–49.1 pp，但 diversity 下降 8.6%–46.5%；HOPV 相对专家 RW 的 RS +12 pp，却 membership −33 pp。

因此，FMG 最适合作为专家候选语法生成器或 interactive design assistant，而不是无需复核的分子发现系统。若要进入真实发现闭环，优先补三件事：重复完整归纳流程的方差、开放模型/固定快照复现，以及独立化学家加湿实验对 RS 与 membership 的效度验证。

证据与生成说明： 本报告实际读取核心 PMLR PDF（52 页）及 MHG、DEG、RW、Grammar Prompting 四篇 PDF，并审计公开代码 commit 6c2e0da（2025‑11‑11）。候选池编号与 shuf 结果可由同目录 TSV 复核。所有复算均从所注明表格做简单差值、相对百分比或 Wilson 区间；未从曲线像素估数。ml-report-index.md 已在本次运行追加记录。HTML 由 Warm Editorial Report 固定模板生成，并通过该 skill 的结构验证器（0 error / 0 warning）及静态响应式、长链接和宽表溢出检查；本机有 Playwright 模块，但 /usr/bin/chromium、/usr/bin/chromium-browser、/opt/pw-browsers 与 Playwright 缓存均无可执行 Chromium，因此无法执行要求的浅色、深色、移动端真实截图检查，此项明确标为未完成。