# Általános alapmodellek felülmúlják a vegyészeti alapmodelleket kevés adatnál

*arXiv · cs.AI · 2026-10-30 · Kutatás*

**Egy arXiv-tanulmány szerint a GPT-6 Astra 60 kísérleti adatponttal öt kémiai regressziós feladatban felülmúlta a vegyészeti célú alapmodelleket.**

Az arXiv-en megjelent tanulmány általános és vegyészeti alapmodelleket hasonlított össze kémiai feladatokon. A vegyészeti modellek, mint a ChemBERTa és a MoLFormer, molekulaszerkezeteken tanultak, és **kevesebb mint 100 kísérleti adatponttal** finomhangolhatók. Az általános modellek, például a GPT-6 Astra és a Claude Opus 5.5, nyilvánosan elérhető adatokon tanultak, köztük a molekulák tulajdonságairól szóló emberi tudáson.

A legfontosabb eredmény, hogy 60 kísérleti adatponttal a GPT-6 Astra **öt regressziós feladatban** jobb volt a jelenleg elérhető vegyészeti modelleknél. Ezek fizikai-kémiai és kvantumkémiai feladatok voltak. A vegyészeti modelleknek tízszer annyi adat kellett ahhoz, hogy elérjék a GPT-6 Astra teljesítményét: 1000 pontnál az Astra 60 pontos, 10 000 pontnál az 1000 pontos eredményét érték el.

A szerzők szerint a kémiai szerkezetek tanulása nem pótolja a releváns emberi tudást, ezért az általános modellek **adathiányos területeken** jobban segíthetnek a kutatásban. A forrás nem közöl árat, hozzáférési feltételeket és magyarországi elérhetőséget.

## Miért számít?

Azoknak számít, akik kevés kísérleti adattal dolgoznak, például új molekulák tulajdonságainak becslésekor. Az eredmény csak a vizsgált öt regressziós feladatra szól, ezért **szélesebb körű alkalmazhatóság** még nem bizonyított.

---

Eredeti forrás: [General-purpose foundation models surpass specialized ones on chemical property prediction tasks](https://arxiv.org/abs/2610.41899)

Forrás: xhírek.hu – https://xhirek.hu/hir/altalanos-alapmodellek-felulmuljak-a-vegyeszeti-alapmodelleket-keves-adatnal