MOT-SR：面向科学方程发现的多目标工具增强大语言模型框架

1. 发生了什么

原始事实： 作者提出多目标工具增强符号回归框架MOT-SR，用大语言模型、外部分析工具和动态Pareto前沿共同搜索可解释方程。摘要称该方法在40项标准任务及极端质量比旋近（EMRI）轨道建模上进行了验证。

原始事实： 框架包含两个协作模块：Meta Strategy Generator负责选择分析工具，并根据Pareto最优方程综合结构优化策略；Equation Generator据此产生新候选方程。评估模块同时考虑精度、结构复杂度与泛化能力，并在闭环中持续更新策略和方程。

分析： 其核心变化不是单纯扩大LLM采样，而是用工具产生结构先验，再以多目标选择机制保留不同权衡下的候选解，这可能缓解仅按拟合误差筛选导致的过早收敛。

原始事实： 摘要给出的实验范围是40项标准符号回归任务，并声称MOT-SR在准确性、泛化和效率上优于现有方法。在EMRI实验中，作者称发现的可解释修正项在留出配置上取得最低的轨迹级积分误差。

证据缺口： 摘要没有给出具体误差、提升比例、基线名称、重复实验次数、统计显著性、模型版本、工具集合或计算预算，因此无法仅据摘要判断优势幅度和比较公平性。

分析： 科学方程发现通常需要同时满足数据拟合、表达式简洁和分布外稳定性。将这些目标显式置于Pareto前沿，比把复杂度压缩成单一惩罚系数更便于观察权衡；EMRI案例也把评估从点级预测推进到长时间轨迹积分误差，更接近动力系统的真实使用条件。

分析： 若结果可复现，该框架可用于物理建模、系统辨识及需要闭式表达式的工程任务。动态Pareto候选集还能让研究者按可解释性或精度需求选择方程，而非接受单一输出。实际部署仍取决于工具接口、LLM调用成本和候选表达式的数值稳定性。

原始事实： 当前材料只有摘要，未展示完整方法细节和实验表格。

未验证推断： 工具产生的结构先验可能引入偏差，Pareto前沿的维护成本也可能随搜索空间增长；这些风险并非摘要中报告的实验结论。另需注意，所给arXiv编号2607.29561及发布日期2026-07-31具有未来时间属性，应先核验条目是否已实际公开及元数据是否准确。