LLM进化对科学发现无效；提出新的集合级选择方法

一篇新研究论文挑战了使用大型语言模型（LLM）进行科学方程发现的迭代进化方法的有效性。研究发现，基于父代的进化与独立采样相比没有显著改进，成功主要取决于初始提案的质量。研究人员提出了PTB-Search，一种依赖于单代方法的方法，该方法对提取到词典中的可重用术语进行集合级选择，在LLM-SRBench等基准测试中显著优于现有基线。 AI

影响 表明LLM更适合作为科学发现的材料供应商，而不是进化引擎，这可能会改变研究方法。

排序理由 一篇发表在arXiv上的研究论文，详细介绍了使用LLM进行科学方程发现的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• DeepSeek V4
• Hugging Face
• Llama-3.1:8b
• LLM
• LLM-SRBench
• PTB-Search

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →