Переводчик отвлекается на каждый шорох в зале — и час совещания превращается в два. Так и молекулярные фундаментальные модели: они выучивают язык молекул на гигантских корпусах, но для каждого нового разговора требуют настройки. Monroe меняет правила: она не учит новый язык, а мгновенно находит общий смысл по нескольким примерам.

Её ключевая особенность — улучшенное представление стереохимии: для двойных связей E/Z и хиральных центров R/S добавляются вспомогательные рёбра, чтобы различать изомеры. Это как если бы переводчик различал не только слова, но и жесты, которые меняют смысл.

Вместо тонкой настройки Monroe использует TabPFN — модель, обученную на синтетических табличных данных. По эмбеддингам молекул и их меткам она выдаёт вероятностное предсказание для тестовой молекулы за один проход. Такой вероятностный вывод в контексте работает как опытный переводчик, который понимает суть беседы по нескольким репликам, не листая словарь.

На 28 задачах Polaris Monroe выигрывает или статистически неотличим от лучшего метода в 100% случаев, со средним рангом 3,71. На 30 задачах MoleculeACE, специально нацеленных на «activity cliffs» (резкие изменения активности при малых структурных отличиях), модель показывает лучший общий RMSE 0,629 и лучший cliff RMSE 0,737.

Более того, применение TabPFN к существующим моделям MiniMol и CheMeleon даёт новые сильные варианты MiniMolPFN и CheMeleonPFN, что подтверждает универсальность подхода.

Monroe демонстрирует, что вероятностный вывод в контексте может заменить тонкую настройку, снижая вычислительные затраты и улучшая работу с малыми данными. Это открывает путь к более гибким и быстрым методам в хемоинформатике. Переводчику больше не нужно учить каждый диалект — достаточно понять общий язык.