論文の概要: RxnExBench: Benchmarking Vision-Language Models for Structured Chemical Reaction Extraction from Scientific Literature

• arxiv url: http://arxiv.org/abs/2610.32221v1
• Date: Fri, 23 Oct 2026 06:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.407827
• Title: RxnExBench: Benchmarking Vision-Language Models for Structured Chemical Reaction Extraction from Scientific Literature
• Title（参考訳）: RxnExBench:科学文献からの構造化化学反応抽出のためのビジョンランゲージモデルのベンチマーク
• Abstract要約: RxnExBenchは、微粒な反応レベル評価のためのマルチモーダルベンチマークである。 専門家による3,565の反応と2,361の分子構造を含んでいる。 化学を意識したマルチモーダル理解の今後の研究を促進するために、すべてのデータとコードを公開します。
• 参考スコア（独自算出の注目度）: 49.82189050100978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Screen Tables and Substrate Scopes are information-dense figures widely used in synthetic chemistry literature, yet automated extraction of structured reaction data from them remains challenging. We introduce RxnExBench, a multimodal benchmark for fine-grained reaction-level evaluation. Built from high-impact chemistry journals, it contains 3,565 expert-annotated reactions and 2,361 molecular structures. The dataset adopts a unified schema with 15 reaction roles and 26 core fields, supporting downstream AI-for-Chemistry tasks such as retrosynthetic planning, yield prediction, and reaction condition recommendation. RxnExBench further provides a reasoning-driven difficulty taxonomy, a modular annotation pipeline, and the Oracle-MolRec protocol, which disentangles molecular recognition from higher-level reasoning. Evaluation of 9 state-of-the-art VLMs shows that performance degrades substantially as schema complexity and reasoning demands increase. Under the Oracle-MolRec setting, results further reveal that accurate molecular recognition alone is insufficient, with multimodal integration and chemistry-aware reasoning remaining the primary bottlenecks. We release all data and code to facilitate future research in chemistry-aware multimodal understanding and AI-for-Chemistry dataset construction. The dataset and code will be released at https://github.com/opendatalab/RxnExBench.
• Abstract（参考訳）: スクリーンテーブルと基板スコープは、合成化学の文献で広く使われている情報密度の数字であるが、構造化された反応データの自動抽出は依然として困難である。 反応レベル評価のためのマルチモーダルベンチマークであるRxnExBenchを紹介する。 高影響の化学ジャーナルから作られ、3,565人の専門家による注釈付き反応と2,361の分子構造を含んでいる。 データセットは15の反応ロールと26のコアフィールドを備えた統一スキーマを採用し、逆合成計画、収差予測、反応条件推奨といった、下流のAI化学タスクをサポートする。 さらにRxnExBenchは、推論駆動の難易度分類、モジュラーアノテーションパイプライン、Oracle-MolRecプロトコルを提供する。 9つの最先端VLMの評価は、スキーマの複雑さと推論要求が増加するにつれて、性能が大幅に低下することを示している。 Oracle-MolRec設定の下では、正確な分子認識だけでは不十分であり、マルチモーダルな統合と化学を意識した推論は主要なボトルネックのままである。 化学を意識したマルチモーダル理解とAI-for-Chemistryデータセット構築において,今後の研究を促進するために,すべてのデータとコードをリリースする。 データセットとコードはhttps://github.com/opendatalab/RxnExBench.orgで公開される。

関連論文リスト

• AgentCAT: An LLM Agent for Extracting and Analyzing Catalytic Reaction Data from Chemical Engineering Literature [55.66036140125613]
  本稿では,化学工学論文から触媒反応データを抽出し,解析する大規模言語モデル (LLM) エージェントであるAgentCATを提案する。 AgentCATは、化学工学分野における長年のデータボトルネックを克服する代替手段として機能する。
  論文  参考訳（メタデータ） (2026-02-10T04:30:11Z)
• RxnCaption: Reformulating Reaction Diagram Parsing as Visual Prompt Guided Captioning [51.393018266721576]
  化学反応図解析(RxnDP)のためのRxnCaptionフレームワークを提案する。 本フレームワークは,従来の座標予測による解析処理を画像キャプション問題に再構成する。 我々は,BBox and Index as Visual Prompt (BIVP) という,最先端の分子検出器である MolYOLO を用いて,分子境界ボックスやインデックスを直接入力画像上に描画する戦略を紹介した。
  論文  参考訳（メタデータ） (2025-11-04T09:08:44Z)
• A Multi-Agent System Enables Versatile Information Extraction from the Chemical Literature [8.306442315850878]
  我々は,堅牢かつ自動化された化学情報抽出のためのマルチモーダル大規模言語モデル (MLLM) ベースのマルチエージェントシステムを開発した。 文献から得られた高精細なマルチモーダル化学反応画像のベンチマークデータセットにおいて,本システムは80.8%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-07-27T11:16:57Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• ChemMiner: A Large Language Model Agent System for Chemical Literature Data Mining [56.15126714863963]
  ChemMinerは、文学から化学データを抽出するエンドツーエンドのフレームワークである。 ChemMinerには、コア参照マッピングのためのテキスト分析エージェント、非テキスト情報抽出のためのマルチモーダルエージェント、データ生成のための合成分析エージェントの3つの特殊エージェントが組み込まれている。 実験の結果,ヒト化学者に匹敵する反応同定率を示すとともに,高い精度,リコール,F1スコアで処理時間を著しく短縮した。
  論文  参考訳（メタデータ） (2024-02-20T13:21:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。