用于测试时发现的认知不确定性

基于大语言模型的自动科学发现依赖于识别真正新颖的解。标准强化学习惩罚高方差变异，导致策略偏向熟悉模式，限制最大奖励提升。为此，本文提出 UG-TTT 方法，通过在冻结基模型上维护低秩适配器集合，量化预测分歧以隔离认知不确定性，并将其作为探索_bonus_融入策略梯度。该方法引导策略朝向训练覆盖不足但具发现潜力的区域，并通过核范数正则化保持适配器多样性。实验表明，该方法在多个科学发现基准上显著提升了最大奖励与解的多样性。