MOF-Sleuth：面向可解释细粒度MOF CIF审计的工具落地奖励对齐

大型金属有机框架（MOF）数据库经晶体学信息文件（CIF）支撑仿真、筛选与机器学习。这些输入中细微的化学与结构错误会损害下游结果并妨碍人工检查。LLM在计算化学中的进展提供了超越预测筛选、走向带证据落地解释的细粒度诊断的路径。但两个挑战仍在：（i）细粒度归因有限——MOF专用验证器与机器学习模型能规模化检测，但提供固定检查、就绪分数或粗标签，而非证据落地的解释；（ii）CIF推理不可靠——直接LLM审计昂贵且不可靠，因为化学证据隐含在原子位点记录之间，需要几何、连接性、占据率与电荷计算。两者都源于化学证据与语言模型解释之间的弱耦合。我们提出MOF-Sleuth，一个强化引导的CIF审计智能体，含两个模块：确定性的取证实验室与Sleuth推理引擎。实验室推导组分、几何、连接性、占据率、配位与电荷证据；Sleuth用这些证据产出证据落地的解释、错误类型与二元决策。奖励引导的强化学习把工具测量转为化学解释级监督：不仅奖励最终答案，还奖励引用的化学证据与证据支持的诊断。我们提出化学落地诊断（Chem-GD）指标，评估正确诊断是否由事实性、相关的CIF派生证据解释。跨四个基准，MOF-Sleuth在LLM方法与MOF专用机器学习方法中建立最先进表现，在检测、归因与落地解释质量上均见增益。