분자 구조와 자연어 간의 연결은 제어 가능한 설계에 필수적입니다. 오터레그레시브 (autoregressive) 모델은 장거리 의존성 (long-range dependencies) 처리에 어려움을 겪으며, 표준 확산 과정 (standard diffusion processes) 은 위치마다 균일한 부패 (uniform corruption) 를 적용하여 구조적으로 유의미한 토큰을 왜곡시킬 수 있습니다. 우리는 텍스트 조건부 분자 생성 (text-conditioned molecule generation) 과 분자 캡셔닝 (molecule captioning) 의 쌍대 작업을 위한 통합 확산 프레임워크인 BiMol-Diff 를 제안합니다. 우리의 핵심 구성 요소는 토큰 회복 난이도에 기반하여 위치 의존적 부패를 할당하는 토큰 인식 노이즈 스케줄 (token-aware noise schedule) 입니다. 이는 순방향 과정에서 회복하기 어려운 하위 구조를 보존합니다. ChEBI-20 과 M3-20M 데이터셋에서 BiMol-Diff 는 Exact Match 에서 15.4% 의 상대적 향상을 통해 분자 재구성 성능을 개선했으며, 비교 대상 베이스라인 (baselines) 중 가장 높은 BLEU 와 BERTScore 를 달성하는 강력한 캡셔닝 결과를 보였습니다. 이러한 결과는 토큰 인식 노이징이 분자 구조-언어 모델링의 충실도 (fidelity) 를 향상시킨다는 것을 시사합니다.