11月5日消息，arXiv收录论文2611.07438（作者Tanmay Sarkar Akash、Siddhartha Das，11月5日提交）：研究者提出PolyGPT，一个3830万参数的仅解码器（decoder-only）Transformer模型，面向聚合物电解质的逆向设计，可依据可选的性能目标（如玻璃化转变温度Tg）、包含或排除特定化学特征的指令以及电解质领域条件，直接生成聚合物重复单元结构。

定量结果方面：无条件生成与仅电解质条件生成的结构有效率分别达99.46%和99.59%，语法合法性接近完美。但代价是多样性坍缩——加入电解质条件后，有效输出的唯一性从99.99%骤降至51.74%。在Tg目标设为246.11 K的测试中，叠加电解质条件仅把预测器估计的平均绝对误差从26.97 K微降至26.07 K，而距目标50 K以内且互不相同的有效聚合物占比却从82.35%跌至32.31%；若再要求生成训练目录之外的新结构，产率进一步从59.90%降至19.71%，更严格的25 K容差下同样如此。包含指定化学特征的指令服从率也从94.27%降至31.27%。

作者进一步发现，按验证损失选择的最优检查点未必最优：九个检查点中，较早期的模型有时反而产出更多目录外、达标的全新聚合物。

这项工作的核心警示对生成式材料设计具有普适意义：仅用性能误差评价条件生成模型并不充分，必须同时考察重复率、相对训练库的新颖性以及复合设计请求的满足度——否则模型看似命中性能目标，实则在高概率复读已知结构，这正是材料大模型落地逆向设计时最需要提防的失效模式。 （来源：arXiv）