La rétro-synthèse – le processus d'identification d'un ensemble de réactifs pour synthétiser une molécule cible – est d'une importance cruciale dans la conception des matériaux et la découverte de médicaments. Les approches existantes basées sur les modèles de langage et les réseaux neuronaux à graphes ont obtenu des résultats encourageants. Dans cet article, nous proposons un cadre qui unifie les méthodes basées sur les séquences et les graphes en tant que modèles énergétiques (EBMs) avec différentes fonctions énergétiques. Cette perspective unifiée offre des insights critiques sur les variantes des EBMs grâce à une évaluation exhaustive des performances. De plus, nous présentons une nouvelle variante duale au sein de ce cadre, qui effectue une formation cohérente en prédiction bayésienne avant et arrière en contrôlant l'accord entre les deux directions. Ce modèle améliore les performances de pointe de 9,6 % pour les approches sans modèle (template-free), où le type de réaction est inconnu.