看到arXiv上这篇DoLQ论文，我第一反应是：终于有人把LLM的‘定性判断’能力用在微分方程发现上了。过去符号回归（如SINDy、GP）过于依赖MSE这类定量指标，结果经常给出物理上荒谬的解。DoLQ的多智能体架构——采样器、优化器、评估器——其实是对传统‘生成-筛选’流程的增强，关键创新在于评估器引入了LLM的语义理解。
从我个人经验看，两年前我试过用GPT-4辅助筛选候选方程，当时就发现LLM能有效排除过拟合但物理不可行的解——比如负阻尼项。DoLQ算是把这个思路系统化了。不过，论文里提到的‘定性评估’依然依赖LLM的物理常识，而LLM在复杂非线性系统上的‘幻觉’问题可能被低估。
我想抛两个问题：1）在混沌系统（如Lorenz）中，LLM的定性判断是否仍可靠？2）定性评估的可解释性如何保证？——毕竟工程师需要知道LLM为什么‘认为’某个方程物理合理。
行业趋势上看，这标志着科学机器学习正在从‘数据驱动’向‘知识引导’转向。未来，LLM+符号回归的组合可能成为动力学建模的标配，但前提是解决LLM在专业物理场景下的过拟合和推理偏差。