大型语言模型（LLM）在分子属性基准上被广泛评估，但准确率无法区分模型是预测属性还是直接检索已发表的数值。我们对22个前沿模型在12个回归基准上进行逐字检索审计，发现检索现象普遍但高度依赖基准：在5个数据集上超过 $50\%$ 的模型出现逐字检索，其余数据集仅在少数单元格出现。实验在两种推理层级进行，结果显示推理层级影响检索率，同一分子、相同提示在更高推理层级下的检索标记率比最低层级高出 $89\%$。随后我们在最受污染的案例中尝试中断检索，发现即使在最强模型中仍能识别经过变换的 SMILES 字符串与原始标签的组合。抑制检索后，各模型的相对预测误差趋于一致，而逐字检索的差异则使误差分散。这表明 LLM 的整体预测能力并非仅由记忆的数值量决定。本文提供了前沿 LLM 在分子回归基准中逐字检索的数量与深度概览。
点评