Dans cette étude, nous présentons ChemBFN, un modèle de langage capable de traiter des tâches en chimie grâce à des réseaux de flux bayésiens opérant sur des données discrètes. Nous proposons un nouveau calendrier de précision visant à améliorer la qualité d'échantillonnage en réduisant considérablement la perte de reconstruction. Nous fournissons des preuves que notre méthode est appropriée pour générer des molécules avec une diversité satisfaisante, même lorsque le nombre d'étapes d'échantillonnage est limité. Une méthode de guidage sans classificateur est adaptée pour la génération conditionnelle. Il convient également de souligner que, après l'entraînement génératif, notre modèle peut être affiné pour effectuer des tâches de régression et de classification avec des performances au niveau de l'état de l'art, ce qui ouvre la voie à la création de modèles tout-en-un dans un style mono-module. Notre modèle a été rendu open source et est disponible à l'adresse suivante : https://github.com/Augus1999/bayesian-flow-network-for-chemistry.