在本研究中，我们介绍了ChemBFN，这是一种基于贝叶斯流网络处理离散数据的化学语言模型。我们提出了一种新的精度调度方法，以显著减少重构损失，从而提高采样质量。我们提供了证据表明，即使在使用较少的采样步骤时，我们的方法也适用于生成具有满意多样性的分子。此外，我们还采用了无分类器引导的方法进行条件生成。值得一提的是，经过生成训练后，我们的模型可以通过微调在回归和分类任务上达到最先进的性能，这为构建单一模块式的多功能模型开辟了道路。我们的模型已在https://github.com/Augus1999/bayesian-flow-network-for-chemistry 开源。