ICF基准显示领域特化可提分，但不足以证明科学可靠性。
资讯摘要
论文以惯性约束聚变（ICF）为测试场景，构建了由专家整理的250题基准，覆盖定性推理、数值计算、符号推导与方程构建，并用确定性数值与符号校验及语言模型评判来评估回答。作者比较了多种现成闭源与开源大模型，以及经领域自适应预训练加监督微调得到的专用模型 Prospero。作者报告 Prospero 总分较其基座模型提升10.7个百分点，各题型均有增益；前沿模型总分最高，但数值计算等仍存在关键物理错误。检索辅助仅对小模型有提升，对前沿模型无统计显著改善。
要点速读
- 基准含250道专家整理题目，覆盖定性推理、数值计算、符号推导和方程构建，采用确定性数值/符号检查与语言模型评判。
- 作者报告 Prospero 较基座模型总分提升10.7个百分点，所有题型均有提升；前沿模型总分最高但仍有物理错误，数值计算尤甚。
- 检索辅助提升了较小模型的表现，对前沿模型无统计显著提升；作者建议在投入大规模领域特化前先评估现有领域能力与检索收益。
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。