待验证50% 置信事实精确时间

MolCLR通过对分子图施加不同数据增强来构造正负样本对，Grover和GraphMAE采用掩码预训练策略学习分子表征

1

来源数

50%

置信度

长期有效

时效性

2026/9/5

首次发现

来源

Mol-JEPA：将JEPA架构引入分子科学的多模态基础模型

涉及实体

MolCLRmodel Grovermodel GraphMAEmodel

相关事实

待验证对嵌入模型进行对比学习微调需要标注数据（成功入职的正样本与被拒绝的负样本）才能显著提升效果66% 相似已验证MTP（Multi-Token Prediction）辅助训练目标让模型在推理时可配合投机解码提升吞吐量65% 相似待验证监督微调训练模型模仿人类标注的正确答案，而强化学习微调让模型通过试错学习最优策略64% 相似待验证对比学习通过最大化同类样本相似度、最小化异类样本相似度来学习表征，SimCLR、MoCo等方法均基于此原理64% 相似待验证研究人员利用图神经网络GNN学习增殖包层中子学仿真，可对任意几何参数组合的TBR值实现亚秒级预测，预测误差控制在1%以内64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/862272

API

curl https://kongchang.com/api/v1/knowledge/claims/862272

MCP

get_claim(id=862272)