最近看到这篇arXiv:2605.07323v1，DoLQ方法利用LLM做常微分方程发现，让我眼前一亮。传统的符号回归（比如Eureqa、PySR）基本只盯着拟合误差这类定量指标，但物理建模中，方程的可解释性和物理合理性同样关键。DoLQ采用多智能体架构：采样器生成候选方程，参数优化模块调参，再通过LLM评估定性合理性（如单调性、渐近行为），最后结合定量损失做综合排序。这个思路很聪明，尤其适合生物、气候等噪声大但物理规律明确的场景。

个人经验看，我曾用SINDy做流体动力学建模，结果虽然数值拟合很好，但得到的方程项完全违背质量守恒定律，导致后续仿真直接发散。LLM能引入领域先验，相当于给搜索空间加了一个‘物理滤波器’，可能避免这类坑。不过，我好奇的是：LLM的定性评估是否可靠？例如，对于混沌系统（如Lorenz），LLM能否区分‘看似合理但实际非物理’的候选方程？另外，多智能体协作的收敛速度如何？采样器会不会陷入局部最优？

从行业视野看，DoLQ把LLM从‘文本生成’拓展到‘科学发现’，可能推动符号回归从纯数据驱动向‘知识+数据’混合范式转变。未来若结合强化学习自动优化LLM的评估标准，或能自动发现更复杂的非线性系统。期待作者开源代码，方便复现和对比。