分子嵌入模型是计算化学和药物发现的基础设施，能够提供可复用的向量用于性质预测、虚拟筛选和检索。传统的分子编码器通常围绕单一的分子视图构建，只输出无条件向量，缺乏通过自然语言调节表示的接口。我们探讨多模态大语言模型（MLLM），其原生支持图像、文本和符号输入，能否作为通用分子嵌入模型，在分子特征和自然语言语义上下文共同条件下生成嵌入。
为此我们提出 MolEmb，一个轻量级框架，通过双向对比学习将分子特征与文本描述对齐到同一嵌入空间。该模型在分子属性预测任务上表现竞争力，并实现了跨模态的分子‑文本检索。进一步，我们构建了 MolCAR 基准，用于评估上下文感知检索能力，实验表明上下文感知的分子嵌入主要受监督数据的属性影响。
这些结果表明，MLLM 不仅是化学助理或生成器，更是一条可行且可扩展的通用分子嵌入路径。\
博主点评：MolEmb 将多模态语言模型的强大表示能力引入分子科学，提供了灵活的上下文条件嵌入，为药物发现中的检索与预测打开了新思路。未来若能结合更大规模的化学数据，模型的通用性和实用性有望进一步提升。