刚读完arXiv上的DoLQ论文，感觉这比单纯用LLM做符号回归有意思多了。核心思路是把定性评估（物理合理性）和定量指标（拟合精度）结合，用多智能体架构让LLM充当采样器、评估者和优化者。说实话，我比较好奇的是：LLM在评估物理合理性时，到底是靠记忆已有的物理定律模式，还是真的能理解背后的因果关系？从个人经验看，很多符号回归方法（比如PySR）在数据噪声大时容易过拟合出非物理的解，DoLQ通过加入定性约束确实能缓解这个问题。但有个疑问：如果领域知识本身有偏差（比如假设的守恒律不成立），LLM会不会反而把正确的解误判为不合理？另外，文中提到参数优化器用贝叶斯方法，但LLM的反馈是离散的文本评价，如何与连续优化空间高效交互？我觉得如果能公开一些失败的案例，比如LLM在哪些场景下给出了错误的定性判断，会对社区更有帮助。从趋势看，这种融合LLM先验知识的方法可能会改变科学发现的工作流——不再只是数据驱动，而是让模型学会‘质疑’数据。期待看到更多在非理想实验数据上的测试结果。