逆合成不再只给反应物：先断键再配等价物，8B模型在稀有反应上把可行模板多样性从2.02提到3.43
核心概要
逆合成预测从直接输出反应物，改为按化学家的断键思路分四步推理：产物分析、关键子结构识别、策略性断键、合成等价物映射。模型以SyntheticRetro生成的结构化理由做监督微调，再用往返奖励做强化学习，即把预测反应物送入正向合成模型、能重建原产物就给奖励。在ORDerly的500条主测试集上，RetroReasoner（RL）的Exact@1为0.526、Round-trip@1为0.826；在稀有原子/词元子集上，其可行比例0.557、模板多样性2.97，均高于同架构去掉显式推理的Prediction-Only（RL）的0.478与1.97。
深度剖析
逆合成模型开始把断键策略写进推理链，而不是从产物直接跳到反应物。 此前的分子推理模型多停留在产物层面的通用分析，例如官能团枚举和反应机理说明，缺少连接产物分析与具体反应物选择之间的断键中间步骤。 在ORDerly的500条主测试集上，RetroReasoner（RL）的Exact@1为0.526、Round-trip@1为0.826，同架构但去掉显式推理的Prediction-Only（RL）分别为0.486和0.802。
推理链由四个带标签的结构化步骤和连接它们的自然语言衔接文本组成。 SyntheticRetro从RXN SMILES出发，汇集可直接读取的信息、模型预测信息和规则推导信息，用GPT-oss-20B生成衔接文本，把产物分析、候选子结构、断键与合成等价物串成一条可训练的理由。 每个反应实例重复生成15次以获得多条推理路径；训练在8块NVIDIA H100上以BFloat16全参数微调，强化学习阶段用往返模型判断预测反应物能否重建原产物作为奖励。
往返奖励让模型在参考反应物之外也能获得正反馈。 若只用与单一参考反应物的精确匹配作奖励，化学上可行但写法不同的反应物会被判为零奖励。 把往返奖励换成精确匹配奖励后，RetroReasoner（RL）的Exact@100从0.724降到0.696、Template Diversity从3.186降到2.430，而Feasible Ratio从0.786升到0.812。
单步模型接入并行化蒙特卡洛树搜索后，搜索时间下降而路线多样性上升。 基于LLM的单步模型每次扩展都要查询一次，串行搜索时成为多步规划的主要瓶颈。 在PaRoutes set-n1与set-n5各500个目标上，随工作进程数增加，平均求解时间降低近六倍，Solved Targets大体保持，Routes Extracted与Number of Clusters逐步上升。
启示与展望
演示范围是ORDerly衍生的单步评测集、两个稀有反应子集、MHNreact与TempRe两个外部基准，以及PaRoutes set-n1和set-n5各500个目标上的多步规划；模型面向有机小分子，作者将其定位为可插入搜索框架的策略性单步推理器，而非端到端路线生成器。
作者指出模型未考虑温度、湿度、压力等实际合成环境，主要处理有机小分子而不涉及聚合物与晶体，推理停留在反应机理层面而未延伸到电子转移；往返一致性仍只是实验室可行性的代理指标，且模型可能给出危险或有毒化合物的预测，现阶段定位为研究用途。