S3C-LLM：用于谱到结构阐明的技能代码引导代理语言模型

光谱结构阐明是分子分析的核心，但最近基于 大语言模型 (LLM) 的方法大多将其表述为直接光谱到 SMILES 的生成。尽管该范例可以利用配对光谱数据，但它没有明确模拟光谱学家使用的分析工作流程，例如诊断峰解释、片段推理、公式约束和化学一致性检查。在本文中，我们介绍了 S3C-LLM，这是一种以技能为指导、以代码为基础的代理 LLM，用于从光谱到结构的阐明。 S3C-LLM 不是直接预测分子，而是检索模态特定的光谱技能，执行分析代码以在输入光谱上实例化这些技能，并在生成 SMILES 之前集成所得的峰值水平证据和公式约束。具体来说，我们贡献了一个自我进化的光谱技能库、一个思维增强的技能代码轨迹构建管道，以及一个两阶段训练策略，该策略通过有监督的 微调 (SFT) 和我们提出的步骤级强化学习 (RL) 来教授 Qwen3-4B。对不同基准的实验表明，S3C-LLM 始终优于当前通用的 LLM 和跨谱的谱特定模型，同时使用的 SpectraLLM 训练语料库不到 1/10。