arXiv cs.AI· Zihan Yu, Shixuan Zhou, Hao Huang, Jingtao Ding, Yong Li·· 14 小时前AI 评分38
SRHarness：面向智能体符号回归的运行时框架
SRHarness: A Harness for Agentic Symbolic Regression
AI 导读
SRHarness 是面向智能体符号回归的领域专用运行时框架，通过可组合科学动作、持久化科学状态和轨迹生命周期管理三项机制支撑长程科学搜索。
正文 · AI 翻译
摘要：近期的智能体符号回归方法越来越依赖大语言模型来分析数据、选择科学操作，并在长搜索轨迹中精炼假设。在此类系统中，性能不仅取决于底层模型和搜索策略，还取决于支撑科学搜索的运行时基础设施。我们提出 SRHarness，这是一个面向智能体符号回归的领域专用 harness，围绕三种机制构建：可组合的科学操作，为原始量、变换后量和候选派生量提供统一接口；持久化科学状态，保留已评估的假设并暴露紧凑的面向模型视图；以及轨迹生命周期管理，协调延续、分支、重启和终止。在 LLM-SRBench 上，SRHarness 在匹配的 LLM 主干下持续提升数值泛化能力和符号恢复能力。使用 DeepSeek-v4-flash-0731 时，它在 LSR-Transform 上达到 93.69% 的符号准确率，而 SR-Scientist 为 62.16%；在移除科学描述和变量语义的匿名变体上，它仍保持 72.97% 的准确率，而 SR-Scientist 为 39.64%。在相同的 DeepSeek-v4-flash-0731 主干下，SRHarness 也大幅优于 Codex（72.97% 对 20.72%），并达到与使用 GPT-5.5 的 Codex 相当的性能，而仅向 Codex 提供相同的科学工具并不能复现这一优势。这些结果表明，有效的智能体符号回归不仅取决于模型或工具，还取决于用于组织科学操作、累积假设和长程搜索的结构化运行时支持。
| 学科： | 人工智能（cs.AI）；机器学习（cs.LG）；符号计算（cs.SC） |
| 引用为： | arXiv:2609.35501 [cs.AI] |
| （或 arXiv:2609.35501v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2609.35501 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Zihan Yu [查看邮箱]
[v1]
2026年9月28日 星期一 16:03:24 UTC（529 KB）
[v2]
2026年10月24日 星期六 13:20:10 UTC（549 KB）
来源：arXiv cs.AI · arxiv.org