CoMPASS：通过自适应小-大模型协同进行协作分子特性预测

准确的分子特性预测需要统计可靠性和化学推理。图神经网络可以直接在标记分析上进行校准，但仍然受到训练数据覆盖范围的限制。 大语言模型 (LLM) 可以比较分子证据并阐明化学原理，但作为独立的定量预测因子并不可靠。因此，核心挑战是确定 LLM 何时应影响校准模型以及影响程度。在这里，我们介绍 CoMPASS，一个用于小型-大型模型协作的检索校准框架。 CoMPASS 保留图注意力网络（GAT）作为预测锚点，检索本地相关的训练分子，为 LLM 提供基于注意力的证据，并通过协议感知门将其建议转换为有界校正。在六个分类和两个回归基准中，CoMPASS 改进了可纠正不确定性区域中的 GAT 锚定，同时限制了高置信度制度中的 LLM 干预。消融表明，收益来自验证校准检索和有界融合，而不是单独提示。这些结果表明，生成推理应该通过基于证据的受控修正而不是直接输出替换来增强校准预测。代码可在 https://github.com/littlepeachs/CoMPASS 获取。