基于证据的 LLM 信念用于持续科学发现

大型语言模型在开放科学发现中常面临长周期假设搜索与验证。现有方法如 AutoDiscovery 将“贝叶斯惊讶”视为静态量，忽略了人类推理中随经验演变的非平稳特性。本文提出基于证据的 LLM 信念机制，利用先前假设的证据更新先验，以计算新假设的非平稳惊讶度。通过引入信念更新过滤和多样性最大化策略，该方法在五个领域中将累积非平稳惊讶度平均提升 30.62%，证明了持续科学发现需依赖动态信念测量及避免冗余的搜索过程。