Tsinghua universiteti Elektron muhandislik fakulteti Maʼlumotlar va intellekt fanlari laboratoriyasi tadqiqotchilari ilm-fan uchun sunʼiy intellekt sohasida ikki oʻzaro bogʻliq loyihani taqdim etdilar: agentlarning simvolik regressiyasi uchun ishga tushirish freymvorki boʻlgan SRHarness va AI ning nafaqat formulani, balki uning asosini tashkil etuvchi mexanizmlarni tiklash qobiliyatini baholaydigan MechBench.
Jamoa oʻz ishlari uchun tarixiy misolni keltirdi: Kepler sayyora harakatining qonunlarini kuzatuvlardan chiqarib, harakatni tasvirlab bergan, shu yerda Nyuton mexanikasi esa ushbu harakatning sababini tushuntirgan. Zamonaviy katta til modellar va ilmiy agentlar maʼlumotlarni tahlil qilish, vositalardan foydalanish va gipotezalarni takrorlash qobiliyatiga ega boʻlganligi sababli, tadqiqotchilar bu ikki bosqichni sinovdan oʻtkazishga qaror qilishdi.
SRHarness qidirish strategiyasini diktatsiya qilmaydi. Buning oʻrniga, u agentlar foydalanadigan ishga tushirish muhitini uchta komponentdan iborat qayta ishlatiladigan infratuzilma sifatida shakllantiradi: tahlil, moslashtirish, qidirish va baholash vositalarini oʻrab turuvchi qayta ishlatiladigan ilmiy harakatlar; kontekstdan tashqarida formulalar nomzodlari va dalillarni saqlaydigan doimiy ilmiy holat; shuningdek, uzoq qidiruvlarning davom etishi, ajralishi, qayta boshlanishi va toʻxtatilishi bilan shugʻullanadigan yoʻnalish hayot siklini boshqarish. Kod GitHubda ochiq manbada mavjud va PyPI orqali oʻrnatiladi, shuningdek, onlayn namoyish ham mavjud.
Taʼkidlangan maqolalarga koʻra, bir xil DeepSeek-v4-flash asosiy modelidan foydalangan holda, SRHarness LSR-Transform benchmarkida 93,69% simvolik tiklash natijasiga erishdi, bu oldingi eng yaxshi usul SR-Scientistning 62,16% natijasidan sezilarli darajada yuqori. Hatto vazifalardan ilmiy kontekst va oʻzgaruvchi qiymatlari olib tashlanganda ham, SRHarness maqsadli tenglamalarning 72,97% ni tiklay oladi, bu SR-Scientist uchun 39,64% va shu asosiy modelda ishlayotgan Codex uchun 20,72% ga nisbatan. Mualliflar bu natija GPT-5.5 bilan bogʻlangan Codex natijasi 68,47% dan ustun ekanligini taʼkidlaydilar.
MechBench ikkita qobiliyatni ajratadi: kuzatilgan qonunning tiklanishi va uning asosini tashkil etuvchi mexanizmni tiklash. U formula oʻzi aniqlay olmaydigan ichki kattaliklarni tekshirish uchun mexanizm zondlaridan foydalanadi, shuningdek, bir xil kuzatuvlarni berishga qodir raqobatchi mexanizmlarni saralaydi. Tadqiqot natijalarida koʻrsatilganidek, hatto GPT-5.6-sol bilan ishlaydigan Codex ham asosiy toʻplamdan mexanizmlarni faqat 13,75% hollarda tiklay oladi, shu bois qonunlarning oʻzi tiklanish koʻrsatkichi 35% ni tashkil etadi.
Tadqiqotchilar bu farq bugungi ilmiy agentlar qoidalarni tushunishdan koʻra ularni topishda ancha yaxshiroq ekanligini koʻrsatishini va MechBenchni rivojlanishdagi keyingi qadam uchun mezon sifatida joylashtirishini xulosa qilishadi.