TasteBench: Multimodal Benchmark for Sensory Prediction, from Molecules to Sustainable Foods
作者: Anna T. Thomas, Sohum Patnaik, Caroline Cotto, Benjamin Sanchez-Lengeling
分类: cs.AI
发布日期: 2026-10-01
备注: First two authors contributed equally. Accepted to NeurIPS 2026, Evaluations & Datasets track. Code available at https://github.com/Food-Intelligence-Lab/tastebench
💡 一句话要点
提出TasteBench以解决可持续蛋白质发现中的感官预测问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多模态基准 感官预测 可持续蛋白质 食品科学 机器学习
📋 核心要点
- 核心问题：现有的可持续蛋白质发现方法缺乏快速的计算代理，评估新食品的味道依赖昂贵的人类感官评估。
- 方法要点：TasteBench通过建立多模态基准，提供食品级排名和分子级味道分类任务，促进感官预测的研究。
- 实验或效果：在相同的评估对中，最佳模型的成对准确率为0.661，接近中位数评估者的0.650，展示了模型的有效性。
📝 摘要（中文）
可持续蛋白质发现缺乏快速的计算代理，类似于药物和材料发现中的分子对接或密度泛函理论。评估新型食品是否具有动物基目标的味道需要昂贵的人类感官评估，限制了设计-构建-测试循环。我们提出了TasteBench，一个多模态基准和隐私保护的感官预测竞赛，涵盖两个任务：基于21K+人类评估的食品级排名任务和支持的分子级味道分类任务。我们评估了四种输入模态的基线，最佳模型在同一对比中达到了0.661的成对准确率，具有竞争力。
🔬 方法详解
问题定义：论文要解决的具体问题是如何快速、准确地评估新型植物基食品的感官特性，现有方法依赖昂贵的人类评估，效率低下。
核心思路：论文的核心解决思路是通过建立TasteBench基准，结合食品级排名和分子级味道分类任务，利用多模态数据来提升感官预测的准确性和效率。
技术框架：整体架构包括两个主要模块：食品级排名任务，基于21K+人类评估数据；分子级味道分类任务，涵盖15K味道分子。模型通过多种输入模态进行训练和评估。
关键创新：最重要的技术创新点在于引入了多模态基准和隐私保护机制，使得感官预测的评估更加系统化和标准化，解决了传统方法的局限性。
关键设计：在模型设计中，采用了多种输入模态的融合策略，使用了特定的损失函数来优化成对准确率，并在评估中引入了面板评估者间的一致性分析。
🖼️ 关键图片
📊 实验亮点
在实验中，最佳模型在与人类评估者的成对比较中达到了0.661的准确率，接近中位数评估者的0.650，展示了模型在感官预测任务中的竞争力和有效性，为可持续蛋白质发现提供了新的评估基准。
🎯 应用场景
该研究的潜在应用领域包括食品科学、营养学和可持续农业等。通过提供高效的感官预测工具，TasteBench能够加速植物基食品的开发，推动可持续蛋白质的发现与应用，具有重要的社会和经济价值。
📄 摘要（原文）
Sustainable protein discovery lacks the fast computational proxies, analogous to molecular docking or density functional theory, that accelerate drug and materials discovery. Evaluating whether a novel food tastes like its animal-based target requires expensive human sensory panels, bottlenecking the design-build-test loop. We introduce TasteBench, a multimodal benchmark and privacy-preserving competition for sensory prediction, spanning two tasks: a food-level ranking task built on 21K+ human evaluations across 215 plant-based foods in 24 product categories, yielding 935 within-category ranking pairs, and a supporting molecular-level taste classification task over 15K flavor molecules. To enable rigorous interpretation of model performance, we characterize the ground truth: inter-rater agreement among panelists is low (Krippendorff's $α= .077$), and the split-half reliability ceiling of panel-aggregated rankings is .825, establishing the range within which ML systems on this benchmark should be assessed. We evaluate baselines across four input modalities; on the same pairs panelists rated, the best model achieves .661 pairwise accuracy, competitive with the median individual panelist (.650), and .683 across all within-category pairs. TasteBench provides the evaluation infrastructure and baselines for measuring progress on computational screening for sustainable protein discovery.