MOOSE-Star：打破复杂度壁垒，实现可处理的科学发现训练

尽管大语言模型在科学发现中展现出潜力，但现有研究多集中于推理或反馈驱动训练，忽略了直接对生成式推理过程$P(h|b)$的建模。本文指出，由于从海量知识库中检索和组合灵感存在组合复杂度（$O(N^k)$），直接训练该过程在数学上不可行。为此，我们提出 MOOSE-Star 框架，通过将发现概率方程分解为子任务、采用动机引导的分层搜索以及对有界组合进行鲁棒性处理，将复杂度从指数级降至对数级。此外，我们发布了包含 10 万余篇分解论文的 TOMATO-Star 数据集。实验表明，该方法突破了暴力采样的“复杂度墙”，实现了持续的测试时扩展。