AnswersPublished16 sources
Тінхуа розділила два завдання для наукового ШІ: знайти закон і пояснити механізм
14 жовтня 2026 року дослідники лабораторії Data Science and Intelligence при кафедрі електронної інженерії Університету Цінхуа повідомили про два проєкти: SRHarness для пошуку формул за даними та MechBench для оцінюва... На LSR Transform SRHarness із моделлю DeepSeek v4 flash 0731 відновив символічні формули з точні...
ОпублікувавВідредаговано за допомогою GPT-6 LunaЗображення створено за допомогою GPT Image 2
Research answer
Key takeaways
- 14 жовтня 2026 року дослідники лабораторії Data Science and Intelligence при кафедрі електронної інженерії Університету Цінхуа повідомили про два проєкти: SRHarness для пошуку формул за даними та MechBench для оцінюва...
- На LSR Transform SRHarness із моделлю DeepSeek v4 flash 0731 відновив символічні формули з точністю 93,69% — проти 62,16% у SR Scientist.
- На основному наборі MechBench Codex із GPT 5.6 sol відновлював закономірності у 35% випадків, але механізми — лише у 13,75%.
AI 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
Знайти формулу, яка добре описує дані, — ще не означає зрозуміти, що саме породжує спостережуване явище. На цій різниці побудовані два проєкти дослідників Університету Цінхуа: SRHarness допомагає ШІ-агентам шукати математичні закономірності, а MechBench перевіряє, чи можуть вони відновити механізми, що стоять за цими закономірностями. Про результати повідомили 14 жовтня 2026 року. 8
10
Від Кеплера до Ньютона
Ідею можна пояснити на прикладі історії фізики. Закони Кеплера описували, як рухаються планети. Теорія тяжіння Ньютона запропонувала пояснення, чому вони рухаються саме так. Перше — виявити правило в спостереженнях; друге — відшукати механізм, який це правило породжує. 11
Саме цю відмінність проєкти Цінхуа прагнуть зробити вимірюваною для наукових ШІ-агентів: не змішувати успіх у пошуку формули з розумінням фізичного пояснення. 8
11
Як працює SRHarness
SRHarness — середовище виконання для так званої агентної символічної регресії: пошуку формул, які описують дані. Воно дає мовним моделям змогу підготувати наукові дані, викликати інструменти для аналізу й підгонки формул, зберігати оцінені гіпотези та вдосконалювати зрозумілі людині формули впродовж тривалого пошуку. 9
Іншими словами, SRHarness організовує робочий процес агента й надає йому інструменти для послідовних спроб, а не просто видає формулу у відповідь на запит. Код проєкту доступний на GitHub у репозиторії tsinghua-fib-lab/SRHarness. 9
16
Які результати показали тести формул
На тесті LSR-Transform дослідники порівняли SRHarness із SR-Scientist, використовуючи однакову базову модель DeepSeek-v4-flash-0731. Коли наукові описи й значення змінних були доступні, точність символічного відновлення становила 93,69% у SRHarness і 62,16% у SR-Scientist. 1
В анонімізованій версії тесту прибрали наукові описи та семантику змінних — тобто агент мав працювати без частини контексту, який підказує зміст даних. SRHarness отримав 72,97%, а SR-Scientist — 39,64%. За повідомленням авторів, у цьому тесті SRHarness також випередив Codex із тією самою базовою моделлю, який показав 20,72%, і наблизився до результату Codex із GPT-5.5. Точного відсотка для GPT-5.5 у доступних даних не наведено. 1
| Умови тесту | SRHarness | SR-Scientist | Codex |
|---|---|---|---|
| Науковий контекст і значення змінних збережено | 93,69% |
62,16% |
Порівнюваний результат не наведено |
| Описи й значення змінних прибрано | 72,97% |
39,64% |
20,72% із тією самою базовою моделлю |
Ці цифри стосуються відновлення формул. Самі по собі вони не доводять, що система відкрила фізичний механізм, який стоїть за рівнянням. 1
8
MechBench перевіряє не лише відповідь, а й пояснення
MechBench розділяє два завдання: відновити спостережуваний закон і визначити прихований механізм, який його породжує. На основному наборі тестів Codex із GPT-5.6-sol відновив закономірності у 35,00% випадків, але механізми — лише у 13,75%. 8
11
Різниця між результатами — важливе застереження проти гучного висновку, що ШІ вже «розуміє науку». На цьому тесті агентам значно легше знайти відповідність між величинами, ніж пояснити, звідки вона береться. Внесок MechBench у тому, що він оцінює ці здібності окремо: успіх у підборі формули не видається за розуміння механізму. 8
11
Отже, SRHarness зосереджений на пошуку формул, а MechBench — на перевірці пояснень, які можуть за ними стояти. Разом ці проєкти пропонують точніше мірило поступу наукових агентів: не тільки чи знайшли вони закономірність, а й чи змогли пояснити її походження.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Тінхуа розділила два завдання для наукового ШІ: знайти закон і пояснити механізм"?
14 жовтня 2026 року дослідники лабораторії Data Science and Intelligence при кафедрі електронної інженерії Університету Цінхуа повідомили про два проєкти: SRHarness для пошуку формул за даними та MechBench для оцінюва...
What are the key points to validate first?
14 жовтня 2026 року дослідники лабораторії Data Science and Intelligence при кафедрі електронної інженерії Університету Цінхуа повідомили про два проєкти: SRHarness для пошуку формул за даними та MechBench для оцінюва... На LSR Transform SRHarness із моделлю DeepSeek v4 flash 0731 відновив символічні формули з точністю 93,69% — проти 62,16% у SR Scientist.
What should I do next in practice?
На основному наборі MechBench Codex із GPT 5.6 sol відновлював закономірності у 35% випадків, але механізми — лише у 13,75%.