读膜材料论文，难点不只是篇幅长，更是同一段里挤着材料名称、实验条件和性能数字，通用模型未必认得这些专业表达。研究团队因此开发了 MembraneBERT：一种面向膜法气体分离文献定制的 BERT。BERT 会结合前后文判断词义；领域定制则像让通才编辑先熟悉膜材料术语，再专门整理这类论文。
团队重点处理了数据不平衡——常见信息样本多、罕见信息样本少，模型容易只会“主流题型”。他们一面扩充少数类别且避免训练数据泄漏，一面调整训练时的损失函数，让模型更关注难认和少见的类别。作者报告，MembraneBERT 的平均精确率为 0.906、召回率为 0.796，综合两者的 F1 分数为 0.844；用于另外 3,580 篇文章后，共抽取出 2,283 条膜材料及气体分离性能的结构化记录。
这项工作的看点不在模型更大，而在任务切得更准：小型领域模型仍可充当稳定的专业资料整理员。不过，上述效果来自作者报告，供稿摘要未披露它与通用大模型的直接对比。