L'interprète se laisse distraire par le moindre bruit dans la salle, et une réunion d'une heure s'étire sur deux. C'est le même problème pour les modèles de fondation moléculaires : ils apprennent le langage des molécules sur d'immenses corpus, mais chaque nouvelle conversation exige un réglage. Monroe change la donne : au lieu d'apprendre une nouvelle langue, elle trouve instantanément le sens commun à partir de quelques exemples.

Sa caractéristique clé est une représentation améliorée de la stéréochimie : pour les doubles liaisons E/Z et les centres chiraux R/S, des arêtes auxiliaires sont ajoutées pour distinguer les isomères. C'est comme si l'interprète distinguait non seulement les mots, mais aussi les gestes qui changent le sens.

Au lieu d'un réglage fin, Monroe utilise TabPFN, un modèle entraîné sur des données tabulaires synthétiques. À partir des plongements de molécules et de leurs étiquettes, il produit une prédiction probabiliste pour la molécule testée en un seul passage. Cette inférence probabiliste contextuelle fonctionne comme un interprète expérimenté qui saisit l'essentiel d'une conversation après quelques répliques, sans consulter le dictionnaire.

Sur les 28 tâches de Polaris, Monroe gagne ou est statistiquement indiscernable de la meilleure méthode dans 100 % des cas, avec un rang moyen de 3,71. Sur les 30 tâches de MoleculeACE, spécifiquement conçues pour les « falaises d'activité » (changements brusques d'activité pour de petites différences structurelles), le modèle obtient le meilleur RMSE global de 0,629 et le meilleur RMSE de falaise de 0,737.

De plus, l'application de TabPFN aux modèles existants MiniMol et CheMeleon donne de nouvelles variantes performantes, MiniMolPFN et CheMeleonPFN, confirmant l'universalité de l'approche.

Monroe démontre que l'inférence probabiliste contextuelle peut remplacer le réglage fin, réduisant les coûts de calcul et améliorant le travail avec de petites données. Cela ouvre la voie à des méthodes plus flexibles et plus rapides en chémoinformatique. L'interprète n'a plus besoin d'apprendre chaque dialecte — il suffit de comprendre la langue commune.