文章主要内容总结本文聚焦大型语言模型（LLMs）在材料科学与工程中的应用，核心探讨LLMs对材料知识的掌握能力及其在材料的“加工-结构-性能-性能表现”（Processing-Structure-Property-Performance, PSPP）链推理中的适用性。研究背景：LLMs通过语言接口建立关联，有望用于PSPP链的逐步推理，但训练数据多来自互联网（含大量非科学内容），其材料知识的准确性需验证。研究方法：以元素周期表为基准数据集，从两方面评估主流开源LLMs（如Gemma、Llama、Qwen等）的材料知识：化学元素名称在模型词汇表中的“token唯一性”（是否作为独立token存在，影响材料指纹的独特性）；元素属性（如熔点）预测的准确性。主要发现：不同模型对元素名称的token化处理差异显著，Gemma模型的元素独立token占比更高；模型参数规模与属性预测准确性正相关，但存在“幻觉”（如预测不存在的氦熔点）；需通过提示词优化（如明确“无数据时输出NaN”）减少错误预测。结论：提出材料知识基准，为PSPP链各步骤选择合适模型（通用LLMs或专用模型）提供依据，强调需结合专业模型弥补LLMs的不足。创新点