大语言模型在燃烧科学中的知识注入与评估统一基础框架
计算与语言
2026-03-06 v1 人工智能
摘要
为推动面向燃烧科学的基础大语言模型（LLM）发展，本研究提出首个面向燃烧学社区的端到端框架。该框架包括来自 20 多万篇同行评议文章、8000 篇学位论文与约 40 万行燃烧 CFD 代码提取的、规模达 35 亿 token 的 AI 就绪多模态知识库；一个严格且高度自动化的评估基准（CombustionQA，覆盖八个子领域的 436 个问题）；以及一条三阶段的知识注入路径，从轻量级检索增强生成（RAG）到知识图谱增强检索和继续预训练。我们首先量化验证阶段 1（朴素 RAG），发现其准确率存在硬上限：标准 RAG 准确率在 60% 左右，显著高于零样本表现（23%），但远低于理论上界（87%）。我们进一步证明，该阶段的性能严重受到上下文污染的制约。因此，构建领域基础模型需要结构化知识图谱和继续预训练（阶段 2 和 3）。
引用
@article{arxiv.2603.04452,
title = {A unified foundational framework for knowledge injection and evaluation of Large Language Models in Combustion Science},
author = {Zonglin Yang and Runze Mao and Tianhao Wu and Han Li and QingGuo Zhou and Zhi X. Chen},
journal= {arXiv preprint arXiv:2603.04452},
year = {2026}
}
备注
5 figures, 1 table