研究：生物上下文难提升LLM实验优化

2026年10月22日，一篇发表于arXiv人工智能分类的研究考察生物上下文能否可靠提升大语言模型（LLM）引导的实验优化。研究基于341篇已发表论文的2485行实验数据重建45个生物学任务，用拟合这些数据的评分器打分，每个任务在两种提示条件下各运行30次迭代。结果显示，在45个生物学任务上，19个LLM在去除生物学含义的提示条件下反而表现更好：按轨迹计58.7%的任务占优，按终点计61.9%占优。该失败模式为生物学特有，在同样构建的教育任务上结果反转。域感知提示让模型初始设计更好，却对反馈响应更差，部分源于锚定效应。研究还称，将Llama 3.1 8B后训练至前沿级原始优化能力，并不能迁移为生物学感知优化提升。目前进展限于该研究结论本身，尚无后续跟进报道。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。