arXiv cs.AI· Zhanliang Zhu, Ziwei Li, Liujun Zhu, Yuchen Liu, Junliang Jin, Jianyun Zhang·· 3 天前AI 评分27
将地球科学模型校准委托给知识引导的 LLM 智能体
Delegating Earth science model calibration to knowledge-guided LLM agents
AI 导读
研究者提出通用校准框架 GCH，将地球科学模型校准从请求到结果评估端到端委托给 LLM 智能体，由知识基础设施和验证约定约束智能体定义参数域、观测映射与目标并生成模型专用代码。
正文 · AI 翻译
摘要：将基于过程的地球科学模型应用于新的站点和问题，通常需要专家做出校准决策。要可靠地委托给语言模型智能体，必须保持科学能力和可复现性。在此，我们开发了一个通用校准框架（GCH），用于从校准请求到评估结果的端到端委托。在知识基础设施（KI）和验证约定的约束下，智能体定义参数域、观测映射和目标，并生成特定于模型的代码。GCH 依据相同的声明检查这些公式，并在数值搜索和评估之前将其冻结，此后无需智能体再做判断。由智能体编写的工作流在六个模型族上执行，评估识别出未满足的标准。在积雪模型测试中，五个知识引导的规范中有五个在首次尝试时即成功执行，而仅给出模型名称的五个则无一成功，验证纳什-萨特克利夫效率（NSE）达到 0.81-0.94，而默认值为 0.57。在共同目标下，独立的 GR4J 公式得出的分数在 0.001 NSE 以内；重新评估十一个已保存的参数向量，复现了其指标。在十组预算匹配的 VIC 配对测试中，固定搜索不劣于继续由智能体提出方案（裕度，-0.02 NSE；中位差，-0.003）。这种分离使得端到端校准委托成为可能，其科学选择可审查，数值评估可复现。
| Subjects: | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| Cite as: | arXiv:2610.18378 [cs.AI] |
| （或使用 arXiv:2610.18378v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.18378 由 DataCite 颁发的 arXiv DOI（待注册） |
Submission history
来自：Ziwei Li [查看邮箱]
[v1]
2026年10月13日星期二 13:32:20 UTC（7,764 KB）
来源：arXiv cs.AI · arxiv.org