Haoran Sun Yankai Jiang Zhenyu Tang Yaning Pan et al

Résumé

La fondation de la science reproductible repose sur des protocoles précis, logiquement structurés et exécutables. La génération autonome de tels protocoles à partir de requêtes en langage naturel pourrait considérablement améliorer l'efficacité du processus de reproductibilité. Toutefois, les modèles de langage massifs (LLM) actuellement les plus performants produisent fréquemment des protocoles incomplets ou incohérents, ce qui limite leur utilité. Pour surmonter cette limitation, nous introduisons d'abord SciRecipe, un grand ensemble de données comprenant plus de 12 000 protocoles structurés couvrant 27 sous-champs biologiques, et incluant à la fois des tâches de compréhension et de résolution de problèmes. Afin d'améliorer davantage la génération de protocoles, nous proposons le paradigme « Sketch-and-Fill » (esquisse et remplissage), qui sépare l'analyse, la structuration et l'expression pour garantir que chaque étape soit explicite et vérifiable. Complétant ce cadre, un mécanisme de récompense basé sur une structure composant-orientée évalue la granularité des étapes, l'ordre des actions et la fidélité sémantique, alignant ainsi l'optimisation du modèle sur la fiabilité expérimentale. En s'appuyant sur ces composants, nous développons Thoth, entraîné selon un processus progressif « Connaissance vers Action », passant de l'acquisition de connaissances à un raisonnement opérationnel, puis à la génération robuste et exécutable de protocoles. Sur plusieurs benchmarks, Thoth dépasse systématiquement à la fois les LLM propriétaires et open-source, obtenant des améliorations significatives en termes d’alignement des étapes, de séquençage logique et d’exactitude sémantique. Notre approche ouvre la voie à des assistants scientifiques fiables, capables de relier connaissances et exécution expérimentale. Tous les données, le code source et les modèles seront publiés librement.