在AI与材料科学研究中，文献知识的提取与重构至关重要，但传统人工提取方式存在效率低、信息完整性和逻辑一致性难保障等问题。北京工业大学孙少瑞研究团队提出了一种基于大语言模型（LLMs）的通用方法，成功解决了这一难题，相关成果发表于《Communications Materials》。

构建高效的文献知识提取框架

研究团队采用LLM，通过提示词设计构建了包含156个合成段落的高质量数据集，涵盖6337个合成相关实体信息。随后，利用该数据集微调LLaMA3-8B-instruct、Gemma-7B、Phi3-mini-128k-instruct和GPT3.5-turbo-1106四种主流LLMs。

Fig. One-shot prompt learning designed for GPT-4 to construct a work-cleaned dataset

在选择性催化还原（SCR）催化剂合成路线提取任务中，微调后的模型表现优异，信息提取的精确率达0.928、召回率0.957、F1分数0.962，显著优于MatBERT、SciBERT等传统基线模型。其中，GPT和Llama模型性能突出，GPT在合成步骤和条件提取上的F1分数分别高达0.983和0.981，能精准捕捉实验关键细节。同时，模型的“幻觉”发生率低，且合成步骤的逻辑顺序准确性高，为实验可重复性提供了保障。

跨领域域应用：模型适配多领域材料合成信息提取

不同于传统提取方法泛化能力弱的局限，该研究的微调模型展现出强大的跨领域迁移能力。在完成SCR领域训练后，模型成功应用于锂离子电池（Li-ion）、析氢反应（HER）、氧还原反应（ORR）、析氧反应（OER）和甲醇水蒸气重整（MSR）五大领域。每个领域测试结果显示，Llama、Gemma和GPT模型在各领域的产物、原料、合成方法等信息提取任务中均保持高准确率，能够快速适配不同材料体系的文献知识的提取与重构需求。

**Fig.10 | Performance of fine-tuned LLMs across five domains.**The figure compares the performance of four LLMs (Llama, Gemma, Phi3, GPT) across five domains: a HER, b MSR,c ORR, d OER, and e Li-ion research. Model capabilities are evaluated using accuracy, precision, recall, and F1 score to assess their performance in extracting information related to products, methods, raw materials, steps, and conditions.

规模提取：形成结构化文献知识资源

借助优化后的模型，研究团队对2205篇材料科学文献进行大规模信息提取，成功获取48925个核心实体，包括3715种产物、3186种制备方法、3011种原料、19102个合成步骤和23626个制备条件。所有提取数据均以标准化JSON格式存储，符合FAIR数据管理原则，为后续研究提供了可直接复用的结构化资源。目前，这些数据已公开在GitHub仓库（https://github.com/Shaoruisun/LLMs-MatLitRecon），方便科研人员获取使用。

知识图谱：可视化呈现材料关联网络

基于提取的海量实体和关系，研究团队构建了包含26400个节点、55338条关系的材料科学知识图谱。该图谱以催化剂为核心，串联起原料、合成方法、步骤、条件、性能指标等多层级信息，清晰呈现各要素间的物理化学依赖、工艺参数关联和性能相关性。

Fig. 11 | Visualization of partial synthetic entities and their relationships in the knowledge graph

通过这一知识图谱，科研人员可按合成方法查询适配催化剂、基于性能指标筛选材料（如快速锁定转化率超90%的高性能催化剂），还能追溯实验全流程细节。此外，图谱提供了详细的使用指南和交互式演示，助力科研人员高效开展数据探索与分析，加速新材料发现和实验设计优化。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】