燃烧学LLM的全栈领域增强：构建与优化
计算与语言
2026-03-23 v1 人工智能
摘要
大语言模型（Large Language Models, LLMs）在专业领域的任务适应与能力提升方面展现出显著的应用潜力。然而，对于燃烧科学等复杂物理系统，通用型LLMs常因领域知识不足且无法遵循物理守恒定律而产生严重幻觉。为此，我们提出首个针对燃烧科学领域的全栈领域增强LLM工作流程，集成自动化领域语料构建、增量预训练、指令微调及可验证奖励型强化学习。该工作流程确保模型真正内化物理定律，而非仅学习文本统计模式。我们亦发布FlameBench——专为燃烧科学中复杂推理任务设计的标准化评估基准。实验结果表明，本工作开发的模型在燃烧科学推理任务上显著优于最先进的通用型闭源模型及传统检索增强生成方法。本工作为后续开发具备可靠科学推理能力的领域特定科学研究智能体奠定了坚实的技术与资源基础。
引用
@article{arxiv.2603.19268,
title = {Full-Stack Domain Enhancement for Combustion LLMs: Construction and Optimization},
author = {Quanjia Xiao and Weimin Ouyang and Zonglin Yang and Tianhao Wu and Qingguo Zhou and Runze Mao and Zhi X. Chen},
journal= {arXiv preprint arXiv:2603.19268},
year = {2026}
}