大模型不再直接报带隙：Motif改用化学分类做环境，二维钙钛矿OOD误差从0.122降到0.111 eV

大语言模型在材料性质预测中的用法被重新定位：不再让它输出带隙数值，而是让它离线把间隔基阳离子按化学性质分成若干组，这些分组被当作不变学习所需的环境。 此前的做法多把大模型当作直接预测器，配合检索、推理链或自我修正来生成或修正数值；在留一间隔基家族外推的设定下，这类用法最多只比kNN+GBT基线好不到2%。 在19个已发表大模型方法和65个以上内部变体上，直接数值用法都未能超过0.122 eV的kNN+GBT基线，最好的提示式数值预测器平均误差约0.46 eV；只有离线分类标注这一角色稳定带来改善。

Motif把每个分类轴当作一个候选环境，在环境内只保留与目标关系跨组稳定的特征，再训练预测器，并且只接纳在训练集伪OOD验证中胜过基线的分类。 不变学习通常假定环境已经给定，而真实材料数据很少提供可用的分组；随机划分信息量低，专家划分成本高且往往过粗。 主基准为二维卤化物钙钛矿数据库过滤后的753个化合物，按短烷基、长烷基、苯基、杂环、环烷基和特殊六类间隔基家族各留出一折；每个分类轴先按最大组不超过训练样本85%做平衡筛选，每折保留7到9个可用分类。

改善集中在化学上离训练数据最远的折，而不是均匀分布。 在环烷基和苯基两折上，基线学到的相关性最难迁移，Motif相对kNN+GBT的降幅最大；在短烷基和特殊两折上基线反而更好。 冻结协议下，gpt-4o标注加安全混合配置把带隙误差从0.1233降到0.1174 eV，配对自助法95%置信区间为[0.0014, 0.0068]；逐折检验中环烷基和苯基显著，长烷基一致改善，特殊折没有改善。

结论限定在二维卤化物钙钛矿带隙与光学带隙这一主基准，以及Matbench介电、Matbench二维剥离能、OQMD ABX3形成能和Materials Project ABX3带隙四个迁移基准上，均采用按组留出的OOD划分。读者对象是从事材料性质预测与分布外泛化的研究者；方法收益依赖分类库能否产生较平衡的分组并抓住留出偏移的主导化学因素。

收益并不均匀：特殊折上Motif略差于基线，逐折自助法检验在该折不显著；门控中位数0.111 eV与逐折最优分类的0.100 eV之间仍有路由差距，作者把更可靠的路由或弃权列为后续方向。不同推理骨干的表现并不一致，o3在带隙上更强但在光学带隙安全混合上差于gpt-4o。