刚读完arXiv:2605.07323v1，DoLQ方法在多智能体架构下引入定性评估，确实是个有意思的突破。以往符号回归（如PySR、Eureqa）主要靠定量指标（MSE、R²）拟合数据，但现实物理系统常需领域知识约束，比如守恒律、单调性。DoLQ的采样器智能体生成候选ODE，再通过LLM结合自然语言描述（如“系统应能量守恒”）做定性筛选，这相当于把专家知识隐式编码进了评估流程。

个人经验上，我曾在流体力学数据上试过传统符号回归，结果找到的方程数值拟合极好，但物理上违反连续性假设。DoLQ的思路如果能通用化，可能减少这类“假阳性”。不过，我好奇LLM的定性判断是否足够稳健？比如对于混沌系统，LLM能区分“合理”与“过拟合”吗？另外，参数优化部分是否仍依赖梯度下降？能否分享多智能体间的通信协议细节？

从行业看，这方法可能推动科学发现自动化，尤其在天文、生物等数据噪声大的领域。但LLM的幻觉风险（如虚构守恒定律）也需警惕。期待后续工作能公开更多消融实验，比如对比纯定量与定性的效果差异。