المترجم الفوري ينشغل بأي صوت في القاعة، فتمتد ساعة الاجتماع إلى ساعتين. وكذلك النماذج التأسيسية الجزيئية: فهي تتعلم لغة الجزيئات من مجموعات ضخمة، لكنها تحتاج إلى ضبط لكل محادثة جديدة. Monroe يغير القواعد: فهو لا يتعلم لغة جديدة، بل يجد المعنى المشترك فورًا من خلال أمثلة قليلة.

ميزته الرئيسية هي تمثيل محسّن للكيمياء الفراغية: بالنسبة للروابط المزدوجة E/Z والمراكز اللاتناظرية R/S، تُضاف حواف مساعدة للتمييز بين الأيزومرات. هذا مثل مترجم يميز ليس فقط الكلمات، بل أيضًا الإيماءات التي تغير المعنى.

بدلاً من الضبط الدقيق، يستخدم Monroe TabPFN — نموذجًا مُدرَّبًا على بيانات جدولية اصطناعية. من خلال تضمينات الجزيئات وتسمياتها، يقدم تنبؤًا احتماليًا للجزيء الاختباري في تمريرة واحدة. هذا الاستدلال الاحتمالي في السياق يعمل مثل مترجم خبير يفهم جوهر المحادثة من بضع جمل دون تصفح القاموس.

على 28 مهمة من Polaris، يفوز Monroe أو لا يمكن تمييزه إحصائيًا عن أفضل طريقة في 100% من الحالات، بمتوسط ترتيب 3.71. على 30 مهمة من MoleculeACE، المصممة خصيصًا لـ"منحدرات النشاط" (تغيرات حادة في النشاط مع اختلافات بنيوية صغيرة)، يُظهر النموذج أفضل RMSE إجمالي 0.629 وأفضل RMSE للمنحدرات 0.737.

علاوة على ذلك، فإن تطبيق TabPFN على النماذج الحالية MiniMol وCheMeleon يعطي نسختين قويتين جديدتين: MiniMolPFN وCheMeleonPFN، مما يؤكد عمومية النهج.

يُظهر Monroe أن الاستدلال الاحتمالي في السياق يمكن أن يحل محل الضبط الدقيق، مما يقلل التكاليف الحسابية ويحسن الأداء مع البيانات الصغيرة. هذا يفتح الطريق لطرق أكثر مرونة وسرعة في المعلوماتية الكيميائية. لم يعد المترجم بحاجة لتعلم كل لهجة — يكفي أن يفهم اللغة المشتركة.