本研究では、ChemBFNという言語モデルを紹介します。このモデルは、離散データ上で動作するベイジアンフローネットワーク（Bayesian flow networks）を基盤として化学タスクを処理します。新しい精度スケジュールを提案し、再構築損失を大幅に削減することでサンプリング品質の向上を図りました。当社の手法が、少ないサンプリングステップ数でも満足のいく多様性を持つ分子生成に適していることを示す証拠を提示しています。また、条件付き生成のために分類器フリーのガイダンス手法を採用しました。さらに、生成学習後、当社のモデルは最先端の性能で回帰および分類タスクに微調整できる点も注目に値します。これにより、単一モジュール形式でのオールインワンモデルの構築が可能となります。当社のモデルはオープンソース化され、https://github.com/Augus1999/bayesian-flow-network-for-chemistry で公開されています。