HypER: 基于文献的假设生成与溯源蒸馏

大语言模型在跨科学领域的研究构思中已展现出令人瞩目的性能。假设开发——即生成将研究思路与实证验证相联系的高度具体的陈述性语句——受到的关注相对较少。现有方法简单地部署检索增强，且仅关注最终输出的质量，忽略了构思背后的底层推理过程。我们提出了 HypER（Hypothesis Generation with Explanation and Reasoning），一种用于文献引导推理和基于证据的假设生成的小型语言模型（SLM）。HypER 在多任务设置下进行训练，以在存在受控干扰的情况下区分有效与无效的科学推理链。我们发现 HypER 优于基础模型，能够区分有效与无效推理链（平均绝对 F1 值提升 +22%），生成的证据支撑假设质量更优（0.327 对比基础模型 0.305），且在可行性及影响力方面获得了人类专家高于 3.5 分（5 分 Likert 量表）的评价。