Mol-Debate：多智能体辩论改进分子设计中的结构推理

文本引导的分子设计是AI驱动药物发现的关键能力，但在严格的化学约束下，将顺序性的自然语言指令映射到非线性的分子结构上仍然困难。包括RAG、CoT提示以及微调或RL在内的多数现有方法，侧重于少量特设的推理视角，并以基本一次性的生成管线加以实现。相比之下，真实世界的药物发现依赖动态的、多视角的批判与迭代精炼，以调和语义意图与结构可行性。受此启发，我们提出Mol-Debate，一种通过迭代的生成-辩论-精炼循环实现这类动态推理的生成范式。我们进一步刻画了该范式中的关键挑战，并通过面向视角的编排加以解决，包括开发者-辩论者冲突、全局-局部结构推理以及静态-动态整合。实验表明，Mol-Debate相较强大的通用与化学基线取得了最先进的性能，在ChEBI-20上达到59.82%的精确匹配率，在S$^2$-Bench上达到50.52%的加权成功率。我们的代码见 https://github.com/wyuzh/Mol-Debate。