AntwortenVeröffentlicht17 Quellen
Tsinghua stellt SRHarness und MechBench vor: Formeln finden ist nicht dasselbe wie Mechanismen verstehen
SRHarness unterstützt KI Agenten dabei, aus wissenschaftlichen Daten Formeln zu suchen und zu verfeinern. Mit DeepSeek v4 flash 0731 erreichte SRHarness auf LSR Transform eine symbolische Genauigkeit von 93,69 Prozent; auf der anonymisierten Variante waren es 72,97 Prozent.
Veröffentlicht vonBearbeitet mit GPT-6 LunaBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- SRHarness unterstützt KI Agenten dabei, aus wissenschaftlichen Daten Formeln zu suchen und zu verfeinern.
- Mit DeepSeek v4 flash 0731 erreichte SRHarness auf LSR Transform eine symbolische Genauigkeit von 93,69 Prozent; auf der anonymisierten Variante waren es 72,97 Prozent.
- Auf dem Core Set von MechBench fand Codex mit GPT 5.6 sol Gesetze in 35,00 Prozent der Fälle, die zugehörigen Mechanismen aber nur in 13,75 Prozent.
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did researchers at Tsinghua University’s Data Science and Intelligence Lab in the Department of Electronic Engineering introduce with S. Article summary: Tsinghua University’s Data Science and Intelligence Lab introduced two complementary contributions: SRHarness, a runtime for agents that discover mathematical formulas from data, and MechBench, a benchmark testing whethe. Topic tags: general web, openai, chatgpt, llm, agents. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
Am 14. Oktober 2026 wurden zwei Projekte aus dem Data Science and Intelligence Lab der Tsinghua-Universität vorgestellt: SRHarness, eine Laufzeitumgebung für KI-Agenten, die Formeln aus Daten erschließen, und MechBench, ein Benchmark für die Frage, ob solche Agenten auch die Mechanismen hinter den Formeln erkennen können. 8
10
Der Unterschied lässt sich mit Kepler und Newton veranschaulichen: Keplers Gesetze beschreiben, wie sich Planeten bewegen. Newtons Gravitationstheorie erklärt, warum sie sich so bewegen. Die Projekte zielen damit auf zwei verschiedene Fähigkeiten: beobachtete Regelmäßigkeiten zu finden – und die Vorgänge zu erklären, die sie hervorbringen. 8
11
SRHarness: Unterstützung für die Formelsuche
SRHarness ist eine spezialisierte Laufzeitumgebung für sogenannte agentische symbolische Regression. Dabei suchen KI-Agenten nach mathematischen Ausdrücken, die wissenschaftliche Daten möglichst treffend beschreiben. Das System lässt Sprachmodell-Agenten Daten vorbereiten, kombinierbare Analyse- und Anpassungswerkzeuge nutzen, geprüfte Hypothesen festhalten und Formeln über längere Suchläufe hinweg verfeinern. 9
Das Werkzeug ist auf GitHub unter tsinghua-fib-lab/SRHarness verfügbar. 9 Die vorliegenden Quellen belegen keine verlässlichen Angaben zu einem PyPI-Paket oder einer Online-Demo.
Die berichteten Ergebnisse
Mit DeepSeek-v4-flash-0731 erzielte SRHarness auf dem LSR-Transform-Test eine symbolische Genauigkeit von 93,69 Prozent. Zum Vergleich: SR-Scientist kam mit derselben Modellbasis auf 62,16 Prozent. 1
Ein weiterer Test entfernte wissenschaftliche Beschreibungen und die Bedeutung der Variablen. Auch ohne diesen fachlichen Kontext erreichte SRHarness 72,97 Prozent, gegenüber 39,64 Prozent für SR-Scientist. Codex kam mit derselben DeepSeek-Modellbasis auf 20,72 Prozent. Laut den berichteten Ergebnissen lag SRHarness damit in einer ähnlichen Größenordnung wie Codex mit GPT-5.5; eine genaue Rate für diesen Vergleich ist in den verfügbaren Angaben nicht genannt. 1
Diese Werte messen, wie gut ein System eine Formel symbolisch wiederherstellt. Sie zeigen für sich genommen nicht, dass es den dahinterliegenden physikalischen Mechanismus verstanden hat. 1
2
MechBench trennt Gesetz und Erklärung
Genau diese zweite Frage stellt MechBench: Kann ein Agent nicht nur ein beobachtbares Input-Output-Gesetz rekonstruieren, sondern auch den verborgenen Mechanismus, der es hervorbringt? 2
15
Auf dem Core-Set des Benchmarks fand Codex mit GPT-5.6-sol die gesuchten Gesetze in 35,00 Prozent der Fälle, die Mechanismen jedoch nur in 13,75 Prozent. 2
8 Die Lücke deutet darauf hin, dass es auf diesem Test deutlich leichter war, ein beobachtetes Muster zu erfassen, als dessen Ursache zu rekonstruieren.
Das ist eine engere und belastbarere Aussage als die Behauptung, KI könne wissenschaftliche Zusammenhänge bereits „verstehen“: Der Benchmark macht sichtbar, dass Formelentdeckung und Mechanismenklärung unterschiedliche Fähigkeiten sind und getrennt bewertet werden sollten. Details zu den im Auftrag angesprochenen Prüfungen interner Größen und zum Aussortieren beobachtungsäquivalenter Mechanismen lassen sich anhand der verfügbaren Quellenauszüge nicht zuverlässig verifizieren.
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Tsinghua stellt SRHarness und MechBench vor: Formeln finden ist nicht dasselbe wie Mechanismen verstehen“?
SRHarness unterstützt KI Agenten dabei, aus wissenschaftlichen Daten Formeln zu suchen und zu verfeinern.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
SRHarness unterstützt KI Agenten dabei, aus wissenschaftlichen Daten Formeln zu suchen und zu verfeinern. Mit DeepSeek v4 flash 0731 erreichte SRHarness auf LSR Transform eine symbolische Genauigkeit von 93,69 Prozent; auf der anonymisierten Variante waren es 72,97 Prozent.
Was soll ich als nächstes in der Praxis tun?
Auf dem Core Set von MechBench fand Codex mit GPT 5.6 sol Gesetze in 35,00 Prozent der Fälle, die zugehörigen Mechanismen aber nur in 13,75 Prozent.