arXiv cs.AI· Kautik Mandve, Dileepa Fernando·· 10 天前AI 评分24
先探索后提交：语言模型如何实现测量高效的科学定律发现
Explore, Then Commit: Measurement-Efficient Scientific Law Discovery with Language Models
AI 导读
研究提出"先探索后提交"协议，由大语言模型提出假设、程序化规划器采集测量数据，再用新提示词从固定观测中合成最终定律。
正文 · AI 翻译
摘要：科学定律发现需要选择测量并将证据转化为支配方程。我们评估了一种先探索后提交的协议，其中大型语言模型提出假设，程序化规划器收集测量数据，新的提示从固定观测中综合出最终定律。该协议结合了结构化探针、自动数值诊断、受限测量批次以及可选的解释器访问。在 576 次 NewtonBench 试验中，我们使用 GPT-4.1-mini 和中等难度的 GPT-4.1 复现，在 12 个物理模块上比较了八种配置。在中等任务上，启用解释器的规划器在 GPT-4.1-mini 下每次试验使用 8.6 次测量，而对照为 22.5 次；在 GPT-4.1 下为 8.9 次，而对照为 43.0 次。它们的平均基于幅度的均方根对数误差分别从 2.514 降至 0.202，从 0.626 降至 0.149。一项额外的审计在覆盖敏感分析中保留了不完整和无效的提交。观察到的符号准确性提升在各模块间不太一致，且随机采集与分歧评分具有竞争力。测量节省在每个模块中都出现，但不等的批次约束使其无法仅归因于采集质量。这些结果支持完整协议作为一种有前景的测量高效配置，同时其因果组件以及在无噪声直接方程任务之外的泛化性仍未解决。
| 评论： | 19 页，包括补充材料 S1；代码和数据作为附属文件包含。预印本 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG）；计算物理（physics.comp-ph） |
| 引用为： | arXiv:2610.07620 [cs.AI] |
| （或 arXiv:2610.07620v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07620 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Dileepa Fernando [查看电子邮件]
[v1]
2026 年 10 月 6 日星期二 02:11:39 UTC（3,097 KB）
来源：arXiv cs.AI · arxiv.org