论文用可审计假设登记表让 LLM 智能体做个体化训练实验。
资讯摘要
论文提出 EpiCoach，将一名越野山地车运动员作为 N-of-1 科学对象，用证据门控的假设登记表管理关于该运动员的断言：每条断言须在训练前给出概率预测，信念仅随记录的统计拟合证据更新。预测来自由心率、GPS 与气压高度推断的机制数字孪生，智能体在负荷与安全约束下设计下一周训练以最大化信息增益。作者用十八个月数据做滚动回放与前瞻验证，并发布登记表、基准与协议。
要点速读
- 系统以证据门控假设登记表记录对运动员的断言，每条须先做概率预测，信念只由记录的统计拟合证据更新。
- 数字孪生包含滞后心率响应模型、带学习时间常数的体能-疲劳模型，以及在下坡路段测量的潜在技术状态。
- 十八个月数据评估：回放基准中孪生在心率预测上优于标准预测器但路段用时未胜，智能体循环与静态模型持平；前瞻阶段前三周登记 20 条预测、评分 14 条，安全官两次否决智能体。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。