过渡态(TS)是势能面上的第一级鞍点,因此也是与化学反应相对应的(多步)最低能量反应路径上能量最高的结构,决定了反应的进行速率。定位过渡态从而阐明反应机理是一项计算量巨大且依赖专业知识的任务。近期的自动化策略利用启发式规则或深度学习模型,直接从文本化SMILES表示中获得过渡态几何结构。然而,独立的过渡态预测器缺乏鲁棒性,而基于启发式的方法缺乏可扩展性,限制了其在分布偏移下可靠地应用于高通量反应发现的能力。在此,我们提出了一种嵌入在完全自动化过渡态搜索流程中的生成式机器学习框架,并以生物正交点击反应作为代表性案例研究,展示了加速高通量筛选的效果。该自动化框架能够实现大规模反应空间的可扩展探索,并逐步学习,随着处理反应的增加,减少所需的量子力学计算次数。在我们的案例研究中,生成式细化在经过仅544个反应训练后,将所需的过渡态优化循环次数减少了近40%。通过将生成建模与基于物理的验证耦合在一起,构建可扩展的工作流程,我们的工作建立了数据驱动的反应机理探索框架,并推进了化学反应性自主计算发现的发展。