1. 项目概述与核心价值

最近在折腾一个挺有意思的课题：如何让那些“能看会想”的多模态大语言模型（MLLMs）真正看懂化学光谱图。这事儿听起来像是把前沿AI技术硬塞进一个传统得不能再传统的化学分析领域，但实际做下来，发现里头门道不少，尤其是模型在生成答案时，那些看似不起眼的“采样参数”，比如温度和Top-p，对最终结果的准确性和可靠性影响巨大，甚至能直接决定一个模型在专业任务上是“专家”还是“外行”。

我们这次评估的核心，就是围绕 多模态大语言模型在光谱分析中的性能 展开的。光谱分析，无论是红外（IR）、核磁共振（NMR）还是质谱（MS），本质上都是将分子结构信息编码成一张张包含峰位、强度、形状的图谱。人类专家经过多年训练，能一眼看出“这个1700 cm⁻¹的尖峰是羰基（C=O）”，但让AI模型来干这事儿，它得先“看见”图像，再“理解”图像特征，最后用自然语言“表述”出化学结论。这个过程完美契合了MLLMs的跨模态能力。我们构建了一个名为SpectrumBench的基准测试集，将任务分为四个由浅入深的层级： 信号层 （识别谱图类型、评估质量）、 感知层 （识别官能团、预测元素组成）、 语义层 （多谱图融合推理、分子结构解析）以及最难的 生成层 （根据谱图逆向生成分子结构或预测谱图）。这就像教一个学生从认谱图（信号），到认基团（感知），再到解结构（语义），最后自己画结构式（生成）一样。

然而，模型光有“能力”还不够，还得“发挥”出来。这里的关键就是 解码策略 ，特别是**温度（Temperature） 和 Top-p（核采样）**这两个参数。它们不像模型权重那样是训练好的，而是我们在实际调用模型生成每一个词时需要设定的“旋钮”。温度控制输出的随机性：温度高（如1.0），模型更“天马行空”，富有创造性但可能胡言乱语；温度低（如0或0.5），模型更“保守专注”，倾向于选择概率最高的词，输出稳定但可能枯燥。Top-p则定义了候选词的概率累计范围，只从概率累计达到前p%的词中采样，这能有效过滤掉那些概率极低、不靠谱的选项。

我们的研究发现，对于Qwen2.5-VL-32B这类“小模型”，把温度调低（0或0.5）、Top-p调小（如0.1），能显著提升其在感知和语义任务上的得分，因为约束了它的“想象力”，让它更老实、更稳定地输出正确答案。但对于Qwen2.5-VL-72B这类“大模型”，情况更复杂，有时反而需要一定的随机性（温度=1.0）来激发其全部潜力，尽管这可能牺牲一些生成任务的一致性。这背后反映的是模型容量与输出可控性之间的微妙博弈。搞明白这些，对于我们这些想在实际科研或工业场景中部署MLLMs的人来说，意义重大——它意味着，拿到一个模型，不是直接调用就完事了，针对不同的任务（是识别还是创造？）和不同的模型（是7B还是70B？），我们都得像老中医一样，仔细“把脉”，调出一套最合适的参数来。

2. 核心评估框架：SpectrumBench的四层任务设计

要让模型评估有意义，首先得有一个设计精良、能真实反映模型能力的“考场”。我们设计的SpectrumBench基准测试，其核心思想是模拟化学家解读光谱的认知过程，将其拆解为四个层层递进、难度递增的层级。这种设计避免了“一考定终身”的片面性，能更精细地定位模型的能力边界和薄弱环节。

2.1 信号层：从“看见”到“看清”

信号层是模型与原始光谱数据交互的第一道关卡。这里的任务不涉及任何化学知识，纯粹考验模型的基础视觉感知和模式识别能力。主要包括：

• 谱图类型识别 ：给定一张光谱图，让模型判断它是IR、¹H-NMR、¹³C-NMR还是MS等。这要求模型能识别坐标轴单位（如cm⁻¹, ppm, m/z）、谱图整体形状等特征。
• 谱图质量评估 ：判断谱图是否存在明显的信号质量问题，如基线漂移、局部噪声、信号饱和等。这对于后续分析至关重要，一张信噪比很差的谱图，任何高级分析都无从谈起。
• 基础特征提取 ：例如，在HSQC谱中指认出信号最集中的化学位移区域。这需要模型理解二维谱图的基本坐标含义。

注意 ：我们发现，许多模型在“局部噪声”识别上表现不佳。它们容易将一幅整体清晰但存在局部毛刺的谱图误判为“信号非常清晰”。这很可能是因为模型的视觉编码器在预训练时更关注全局语义信息，而忽略了对局部细微噪声模式的敏感性。在实际应用中，这意味着不能完全依赖模型进行自动化谱图质量初筛，尤其是对信噪比要求极高的定量分析。

2.2 感知层：关联特征与化学实体

在成功“看清”谱图后，下一步是理解这些视觉特征对应的化学意义。感知层的任务是将信号层的输出与具体的化学概念联系起来。

• 官能团识别 ：例如，根据IR谱中~1700 cm⁻¹处的强吸收峰，判断分子中存在羰基（C=O）。
• 元素组成预测 ：例如，在质谱中观察到M和M+2峰的强度比约为3:1，推断分子中含有氯原子（³⁵Cl和³⁷Cl同位素）。
• 峰归属 ：例如，给定分子式C₆H₅F和其¹H-NMR谱，将~7.3 ppm处的多重峰归属为芳香环上的质子。

这一层是模型化学知识储备的试金石。错误往往源于模型对光谱-结构关联规则的学习不足。例如，我们观察到某个模型将一张典型的羰基红外谱错误地识别为羟基，可能是因为它过度关注了谱图中一些宽泛的峰形或基线变化，而没有准确捕捉到特征峰的精确位置和形状。

2.3 语义层：跨模态推理与结构解析

语义层要求模型进行更高层次的逻辑推理和综合解读，通常需要融合多种信息。

• 多谱图融合推理 ：结合分子式（文本）和IR谱（图像），推断分子中可能存在的结构特征。例如，分子式为C₆H₁₁NO，IR谱在1650 cm⁻¹和3300-3500 cm⁻¹有吸收，则应推理出酰胺基团。
• 分子结构解析 ：这是化学家的核心工作之一。给定未知化合物的质谱和/或其他谱图，推断出最可能的分子的SMILES表达式。这需要模型像拼图一样，将碎片离子信息、官能团信息组合成一个完整的、合理的化学结构。

这一层的挑战在于 跨模态语义对齐 。模型需要真正理解“文本描述的分子式”与“图像呈现的谱图特征”之间的深层化学约束关系，而不是进行浅层的关键词匹配。我们的测试案例显示，即使提供了明确的分子式（C₄H₈O₂）和没有羰基特征的IR谱，仍有模型错误地预测为“羧酸”，这表明其推理过程可能过度依赖于训练数据中的表面模式，而非严格的化学逻辑。

2.4 生成层：从理解到创造

生成层是最高难度的任务，要求模型根据输入信息创造出新的、合理的数据。

• 正向问题 ：给定分子结构（SMILES），预测其可能的光谱（如预测NMR谱）。这需要模型学习从结构到谱图的复杂映射函数。
• 逆向问题（De Novo Generation） ：给定光谱数据，生成符合该光谱的分子结构。这是药物发现等领域的关键挑战。

毫不意外，所有模型在生成层任务上的表现都出现了显著下降。这清晰地表明，当前MLLMs在 化学创造性 和 精确跨模态生成 方面能力仍然有限。它们更擅长对已有信息进行识别、分类和描述性推理，而非进行无中生有的、符合严格科学规律的生成。不过，像Doubao-1.5-Vision-Pro-Thinking这类在语义层表现优异的模型，在正向问题上也展现出了一定的潜力，说明深层语义理解能力是复杂生成任务的重要基础。

3. 解码参数深度剖析：温度与Top-p如何左右模型表现

当我们使用MLLMs生成答案时，模型实际上是在计算词汇表中每个词作为下一个词出现的概率分布。解码策略就是从这个概率分布中选取下一个词的方法。 贪婪搜索 （永远选概率最高的词）虽然简单，但容易导致重复、枯燥的文本。 随机采样 引入了多样性，但完全随机又不可控。因此， 温度采样 和 Top-p采样 成为了平衡“确定性”与“多样性”、“准确性”与“创造性”的关键技术杠杆。

3.1 温度：控制输出的“创造力”与“严谨性”

温度参数本质上是对模型输出的原始概率分布进行“重塑”。具体操作是将逻辑分数（logits）除以温度值T后，再应用Softmax得到新的概率分布。

• 高温（T > 1.0） ：概率分布被“平滑”，低概率词被提升，高概率词的优势被削弱。模型输出更加多样、不可预测，富有“创造性”，但也更容易产生事实性错误或无关内容。在需要头脑风暴、写诗歌等场景可能有用，但在科学分析中风险极高。
• 低温（T < 1.0， 尤其是接近0） ：概率分布被“锐化”，高概率词的权重被急剧放大，低概率词几乎被抑制。模型输出变得非常确定和保守，倾向于选择最安全的、最常见的词。这能提高事实一致性，但可能导致输出模板化、缺乏深度。
• T = 0 ：退化为贪婪搜索，完全确定性输出。

在我们的光谱分析评估中，温度的影响因模型规模而异：

• 对于Qwen2.5-VL-32B（32B参数）和InternVL3-78B（78B参数） ：降低温度（T=0.5或0）能带来全面的性能提升。例如，Qwen2.5-VL-32B在温度从1.0降至0.5后，其感知层和语义层准确率有显著改善。这是因为较小或中等规模的模型，其概率分布的“置信度”可能本身就不够尖锐，高温会放大其不确定性，导致输出摇摆。降低温度相当于帮它“聚焦”，迫使它输出概率最高的、也往往是最正确的答案。
• 对于Qwen2.5-VL-72B（72B参数） ：情况有所不同。在信号和语义任务上，其最佳表现反而出现在温度T=1.0时。这可能意味着大规模模型学到了更丰富、更细微的概率分布，适度的随机性有助于它跳出局部最优，探索到更准确的答案路径。然而，这种“探索性”在需要严格一致性的生成任务上成了缺点，导致其生成得分始终不高。

实操心得 ：对于事实导向的科学问答任务， 从低温开始尝试（如T=0.2~0.5）通常是更安全、更有效的起点 。你可以将高温想象成让模型“畅所欲言”，低温则是让它“谨言慎行”。在光谱分析这种要求精确的领域，“谨言慎行”显然更靠谱。

3.2 Top-p：聚焦核心候选词，过滤长尾噪声

Top-p采样，又称核采样，是另一种控制多样性的方法。它不直接调整概率值，而是动态地设定一个候选词集合。

1. 将模型预测的所有可能的下一个词，按概率从高到低排序。
2. 从概率最高的词开始累加，直到累计概率刚好超过预设的阈值p（一个0到1之间的值）。
3. 仅从这个累积集合中采样下一个词，并在这个集合内重新归一化概率。

例如，p=0.9意味着我们只考虑那些能覆盖90%概率质量的词，剩下的10%长尾词被直接丢弃。

• p值较小（如0.1） ：候选词集合非常小，通常只包含1-3个最高概率的词。输出极其确定和集中，能有效避免生成长尾中的奇怪词汇，特别适合代码生成或术语固定的任务。
• p值较大（如1.0） ：等同于不使用Top-p过滤，从整个词汇表采样（但受温度影响）。

我们的实验显示：

• 对于Qwen2.5-VL-32B ：将Top-p从1.0降低到0.1，能持续提升其语义和生成得分。这说明约束其采样空间，强制它只在最靠谱的几个选项里选，能有效减少低质量输出。
• 对于Qwen2.5-VL-72B ：在p=1.0时获得了最佳的信号和语义分数，但生成分数很低。将p降至0.1后，生成分数有所恢复。这揭示了一个 精确性与多样性之间的权衡 ：完全开放的空间（p=1.0）可能让它在某些任务上找到更优解，但也增加了生成任务中“跑偏”的风险；适当收紧空间（p=0.1）牺牲了一点探索能力，却换来了更稳定的生成输出。
• 对于InternVL3-78B ：其性能对不同Top-p值相对稳定，说明大模型自身的概率分布已经比较“干净”，对采样截断不敏感，内在一致性更强。

参数调优建议 ：温度和Top-p通常联合使用。一个常见的实践是： 设置一个较低的温度（如0.2-0.5）配合一个中等或较低的Top-p值（如0.7-0.9） 。这相当于让模型在一个“高质量候选词”的小池子里，进行“略带随机但总体保守”的选择。对于光谱分析，我个人的经验是 temperature=0.3, top_p=0.8 是一个不错的通用起点，能在稳定性和一点点的灵活性之间取得良好平衡。当然，最佳值需要在你自己的验证集上微调确定。

4. 主流模型横向评测与选型指南

基于SpectrumBench，我们对当前开源和闭源的多个主流MLLMs进行了系统性评估。下图展示了模型在平均准确率上的排名，我们以60%、55%、30%为界划分了金、银、铜三个等级。

模型名称	平均准确率	等级	开源/闭源	关键特点
InternVL-S-241B	65.5%	金	闭源	超大规模，综合性能领先
Claude-3.7-Sonnet	65.4%	金	闭源	混合推理模式，逻辑链强
Doubao-1.5-Vision-Pro-Thinking	62.9%	金	开源	“深度思考”模式，科学推理优
Qwen2.5-VL-72B-Instruct	62.7%	金	开源	大规模开源标杆，跨模态推理强
GPT-4o	61.0%	金	闭源	响应快，多模态均衡
InternVL3-78B	59.9%	银	开源	接近GPT-4o性能，性价比高
Qwen2.5-VL-32B-Instruct	51.8%	铜	开源	轻量级，调参后表现提升显著
DeepSeek-VL2	23.8%	-	开源	参数量较小，在此专业任务上尚有差距

4.1 开源模型阵营分析

开源模型为学术研究和可控部署提供了极大便利。

• Qwen2.5-VL系列 ：阿里云出品，是目前开源VLMs中的佼佼者。 Qwen2.5-VL-72B-Instruct 在多项评测中表现均衡且突出，特别是在需要复杂推理的语义层任务上。其 Hierarchical Tagging 架构对理解光谱这种具有层次化特征（整体谱图、区域、峰）的数据可能有天然优势。 Qwen2.5-VL-32B-Instruct 则是一个高效的轻量级选择，虽然平均分不高，但我们的参数实验表明，通过精细调优解码参数（低温、低Top-p），它能发挥出远超其纸面分数的稳定性能，非常适合资源有限但对精度有要求的场景。
• InternVL3-78B ：上海AI实验室发布，目标是逼近GPT-4o。它采用了 原生多模态预训练 和 可变视觉位置编码 等技术，在感知和语义层任务上表现扎实，且对采样参数相对不敏感，说明其输出分布本身质量较高。对于希望获得接近顶级闭源模型体验但又需要开源可控的研究者来说，这是首选。
• Doubao-1.5-Vision-Pro-Thinking ：字节跳动的模型，其“深度思考”模式在需要多步推理的化学问题上表现惊艳。它在语义层和生成层（正向问题）的得分都名列前茅，这表明其内部可能构建了更有效的跨模态语义表示和推理链条。对于复杂结构解析任务，值得重点尝试。
• 选型建议 ：追求最佳性能且算力充足，选 Qwen2.5-VL-72B 或 InternVL3-78B 。追求极致性价比和调参可控性，选 Qwen2.5-VL-32B 并精心调参。任务以复杂推理为主，可尝试 Doubao-1.5-Vision-Pro-Thinking 。

4.2 闭源模型阵营分析

闭源模型通常代表了当前技术的上限，使用便捷，但成本高昂且可控性差。

• Claude-3.7-Sonnet ：在本次评测中综合表现最佳。其 混合推理 模式允许用户在“快速”和“分步思考”之间选择，后者对于解谱这类需要逐步推导的任务非常有用。它的输出在化学准确性上显得更为严谨。
• GPT-4o / GPT-4.1 ：作为行业标杆，其多模态能力全面且稳定，API易用性极高。虽然在本次专项评测中分数并非第一，但其泛化能力和在陌生数据上的鲁棒性依然非常强。对于快速原型验证或需要处理多种谱图混合的任务，GPT-4系列仍是可靠的选择。
• 选型建议 ：需要快速验证想法、处理多类型任务且预算充足， GPT-4o 的API是最快路径。如果任务极度复杂，追求最高推理质量，且对成本不敏感，可以测试 Claude-3.7-Sonnet 的深度思考模式。

重要提示 ：模型排名并非绝对。我们的评测基于特定的SpectrumBench数据集和统一的解码参数（除消融实验外）。在实际应用中， 针对你的具体数据分布和任务类型进行小规模验证性测试，是选型过程中不可省略的一步 。例如，如果你的数据包含大量高噪声谱图，那么模型在“信号层-质量评估”子任务上的表现就比总排名更重要。

5. 实操：构建自动化评估管道与结果分析

理论再好，也需要落地。要将上述评估体系用于实际模型筛选或调优，你需要一个可复现的自动化管道。我们的实践基于 SpectrumLab 工具（概念），其核心流程包括数据加载、模型调用、答案解析和评分对比。

5.1 评估管道搭建核心步骤

1. 数据准备 ：将SpectrumBench数据集整理为结构化格式（如JSONL）。每条数据应包含 id , image_path , question , choices , answer , category , sub_category 等字段。
2. 模型接口统一 ：无论是开源还是闭源模型，都封装成统一的API接口。对于开源模型，可以使用 vLLM 或 TGI 进行高性能部署并提供类OpenAI的API；对于闭源模型，直接调用其官方API。这保证了评估条件的一致性。
3. 提示词工程 ：设计清晰、无歧义的指令。对于评估任务，我们使用标准提示词模板，明确要求模型以特定格式（如 \answer{A} ）输出选项。这极大简化了后续的答案解析。

   # 示例提示词模板
   evaluation_prompt_template = """
   You are an expert spectroscopist. Analyze the provided spectrum image and answer the question.
   Question: {question}
   Choices: {choices}
   You must output your final answer in the exact format: \answer{{X}}, where X is the choice letter (e.g., A, B, C, D).
   Reasoning:
   """
   

4. 批量推理与结果收集 ：编写脚本遍历数据集，将“图片+问题+提示词”发送给模型，并记录完整的模型回复（ response ）和解析出的答案（ prediction ）。
5. 自动评分与统计分析 ：将模型解析出的答案与标准答案（ ground truth ）比对，计算各层级、各子类别的准确率。同时，记录每次调用的Token消耗、延迟等信息，用于成本分析。

5.2 结果深度分析与问题诊断

拿到评估结果后，不能只看平均分，要进行分层、分任务的细致分析。

• 层级分析 ：观察模型在信号、感知、语义、生成四个层级的得分曲线。一个在信号和感知层得分高但在语义层暴跌的模型，可能只是“记忆”了特征，而缺乏真正的“理解”和“推理”能力。
• 错误案例分析 ：这是提升认知的关键。我们建立了错误案例库，对每个错误进行归类。
  • 视觉误判 ：例如，将HSQC谱误认为¹H-NMR谱。这可能是视觉编码器在专业图谱上预训练不足。
  • 化学知识错误 ：例如，将醛基的C-H伸缩峰（~2700 cm⁻¹）错误归属。这暴露了模型化学知识库的缺陷或文本训练数据中的噪声。
  • 推理逻辑错误 ：例如，在融合分子式和IR谱推理时，无视了分子式中的氮原子，而只根据IR谱中的O-H峰错误判断为醇。这说明模型未能有效整合多模态信息。
• 参数敏感性分析 ：就像我们之前做的，系统性地遍历温度（如 [0, 0.2, 0.5, 0.8, 1.0, 1.2] ）和Top-p（如 [0.1, 0.3, 0.5, 0.7, 0.9, 1.0] ）的组合，绘制热力图，直观地找到模型在特定任务上的“甜点区”。

实操心得 ：自动化评估管道的 稳定性 和 可复现性 至关重要。我们曾因网络波动导致部分API调用失败，使得结果出现偏差。后来我们在脚本中加入了完善的 重试机制 和 请求日志 ，确保每一条数据都有明确的成功或失败状态。另外，对于开源模型，务必固定推理时的随机种子，以确保同一组参数下的评估结果是完全一致的。

6. 常见问题、挑战与未来方向

在实际操作中，我们遇到了不少坑，也看到了当前技术的局限和未来的改进空间。

6.1 典型问题与排查清单

问题现象	可能原因	排查与解决思路
模型输出格式不符合要求，无法解析	提示词指令不够明确；模型未遵循指令。	1. 强化提示词，使用“必须”、“严格遵循”等词，并给出更清晰的格式示例。2. 在提示词中加入“思维链”（Chain-of-Thought）要求，让模型先推理再输出答案，有时能提高格式遵循率。3. 对于顽固模型，可在后处理中增加正则表达式或规则引擎来提取答案。
同一模型多次调用结果波动大	解码参数（温度、Top-p）设置过高，随机性太强。	1. 首先尝试降低温度（T=0.2）和Top-p（p=0.9）。2. 检查是否在每次调用时都正确设置了随机种子（对于开源本地部署）。3. 对于闭源API，确认其服务本身是否具有波动性，可通过多次调用取平均或众数作为最终结果。
模型在“生成层”任务上得分极低	任务超出模型当前能力范围；训练数据中类似任务样本少。	1. 确认任务是否合理：让模型从零生成一个完全正确的SMILES本身是极难任务。可考虑降级为“选择题”形式，或在生成后接入化学规则校验器。2. 尝试使用思维链提示，将生成任务分解为多步推理（如：先确定官能团，再确定骨架，最后组装成SMILES）。3. 考虑使用特定于化学的微调模型，而非通用MLLM。
模型对某些子类别（如“杂质峰识别”）普遍表现差	基准数据集中该类别样本少或特征不明显；模型缺乏相关先验知识。	1. 分析错误案例，看是否是数据标注模糊或存在歧义。2. 考虑对该子类别进行数据增强，或寻找额外的训练数据对模型进行轻量级微调（LoRA）。3. 在系统设计上，对于此类难点任务，可以引入规则后处理或专家复核环节，而非完全依赖模型。
API调用成本高昂或速度慢	使用了大型闭源模型API；请求的Token数过多。	1. 优先使用开源模型本地部署，长期成本更低，数据隐私也有保障。2. 优化提示词，减少不必要的上下文，使用更简洁的指令。3. 对于批量评估，采用异步请求并发处理，并设置合理的速率限制。4. 考虑对图片进行预处理（如裁剪、压缩），在不损失关键信息的前提下减少输入Token。

6.2 当前挑战与局限性

1. 化学专业知识的深度不足 ：模型容易犯“化学常识”错误，如错误的峰归属、忽略同位素信息等。这源于其预训练语料库中高质量、结构化的化学知识相对有限。
2. 对谱图细节不敏感 ：模型倾向于关注谱图的整体形状和显著峰，但对肩峰、耦合常数、微弱的杂质峰等细节特征捕捉能力弱，而这恰恰是精细结构解析的关键。
3. 多模态融合停留在表面 ：模型似乎更擅长“看图说话”和“读文生图”的浅层关联，而非进行深度的、基于化学原理的跨模态推理。例如，它可能知道“羰基”这个词和IR谱中的“1700 cm⁻¹”峰经常一起出现，但并不真正理解其背后的物理原理（键的振动能级）。
4. 评估标准本身的不确定性 ：自动评分模型（如GPT-4o）与人类专家的评分有时存在差异，特别是在生成任务的开放性答案上。如何建立更可靠、更细粒度的自动化评估体系，本身就是一个研究课题。

6.3 未来可行的优化方向

1. 领域适应性微调 ：这是提升性能最直接有效的方法。收集或生成高质量的“谱图-问题-答案”三元组数据，使用LoRA、QLoRA等高效微调技术，让通用MLLM快速适应化学光谱领域的语言和视觉模式。
2. 检索增强生成 ：为模型配备一个外部的化学知识库（如谱图数据库、化学规则库）。在回答问题时，先检索相关的谱图特征、化合物性质等信息，再将检索到的证据与问题一起交给模型生成答案。这能有效弥补模型内部知识不足的问题。
3. 思维链与工具调用 ：将复杂的解谱任务分解为多个子步骤，并让模型学会调用专业的化学计算工具。例如，模型可以先调用一个子程序预测可能的分子式，再调用另一个程序生成候选结构，最后结合谱图进行验证。这模仿了人类专家的解题流程。
4. 构建更专业的视觉编码器 ：当前MLLM大多使用通用的视觉编码器（如CLIP的ViT）。可以探索针对科学图像（光谱、分子结构图、晶体图等）预训练的视觉编码器，使其对科学图像中的特定特征（峰、线、点阵）更敏感。

这次深入的评估让我意识到，将MLLMs应用于光谱分析这样的垂直领域，绝不仅仅是简单的“API调用”。它涉及对模型原理的深刻理解、对领域知识的准确把握、对评估指标的精心设计，以及对解码策略的反复调优。这是一个需要AI工程师和领域专家紧密协作的交叉学科课题。目前的技术已经能够作为研究人员的强大辅助工具，在谱图初筛、特征提取和初步解析上发挥巨大价值，但要完全替代人类专家的深度分析和创造性工作，仍有很长的路要走。未来的突破，很可能来自于“领域专家知识”与“大模型通用能力”更深度、更结构化的融合。