SciQuotient：从精确失败案例到可迁移的科学状态抽象

基于摘要分析。本文研究 LLM 科学智能体能否从失败修复中学到可迁移的状态抽象，而不只是纠正特定表示下的错误。作者提出集评估与训练于一体的 SciQuotient，在可精确认证答案的有限动力系统中，检验模型能否识别真正影响未来目标行为的状态差异。 核心任务是：给定完整指定的有限动力系统与目标观测，要求 LLM 构造保留所有未来目标行为的最粗精确状态抽象。框架利用经认证、保持商结构的变换，改变与目标行为无关的状态因素及其表示，同时保持正确抽象不变，从而揭示常规留出集准确率可能未暴露的抽象错误。其主要研究对象是 LLM 的科学状态抽象与迁移能力，并非 EEG 解码或 BCI。 作者报告，在多个模型系列中，仅用单一表示下的精确失败案例训练，可以显著修复针对性行为并获得部分迁移，但模型面对数学等价的重新编码仍较脆弱。作者报告，使用多种表示下的等价失败案例训练，可扩大对未见表示和状态配置的迁移，并在不追加训练的情况下迁移至留出的动力学机制；所得模型在 SciQuotient 迁移评估中也能超过强参考 LLM 基线。摘要未提供具体模型名称、数据规模、训练目标、划分细节或量化分数，无法据此比较收益大小。 阅读全文时应重点核对：精确认证与等价变换的定义、训练和测试表示及动力学机制的划分、参考基线条件，以及迁移效果的统计稳定性。实验协议、消融及统计信息尚未验证。其认证机制依赖完整指定的有限动力系统，不能直接视为对噪声神经信号有效；材料未提供具体 EEG/BCI 对应机制，尚未检索确认相关工作。