性质预测评估已有分子，分子生成则构造候选结构，并检验其有效性、分布和目标性质。本章重点讨论顺序生成：GCPN 学习图上的连接动作，GraphAF 依次生成原子与候选键。两者都结合真实分子数据与性质优化，但动作定义、概率模型和训练信号不同。
本章以 TorchDrug 0.2.1（2023 年发布）的实现介绍这两个模型，并与原始论文区分。模型机制、训练目标和评价条件是本章的主线；工具版本、环境配置与迁移验证见 5.1–5.2 节。
4.1
分子生成：问题定义与评估体系
分布学习与目标导向两大范式；有效性、唯一性、新颖性与 FCD 距离。
4.2
逐原子长大：自回归图生成的一般框架
生成即动作序列；原子、成键与终止动作；与文本生成的异同。
4.3
策略梯度：强化学习的最小必需数学
马尔可夫决策过程；期望回报与策略梯度定理的完整推导。
4.4
GCPN：分子图上的序贯决策
状态、动作与奖励的设计；图卷积策略网络；专家动作监督、对抗奖励与策略优化。
4.5
流模型：变量变换与雅可比行列式
可逆变换下的分布变换公式；雅可比行列式的角色；精确似然的代价。
4.6
GraphAF：自回归流的分子生成
条件仿射流、训练掩码与逐原子的条件分布；预训练—微调范式；与 GCPN 的对比。
4.7
走向前沿：扩散模型、三维生成与基础模型
扩散过程的直觉；等变网络与三维生成；大规模预训练基础模型的走向。