为什么大模型难以直接做科学发现？MOOSE-Star：打破组合复杂度壁垒，解锁直接训练范式

背景：在利用大语言模型进行科学发现的研究中，现有方法主要依赖推理期的提示工程或外部反馈进行训练，而直接训练模型显式建模科学发现的生成过程面临巨大挑战。研究目的：本文旨在揭示直接训练范式难以实施的核心壁垒——组合复杂度爆炸问题，并提出一种名为MOOSE-Star的理论框架和训练范式来打破这一壁垒，实现科学发现任务的可扩展直接训练。结论：研究通过将科学发现过程解耦为灵感检索和假设组合两个独立训练模块，成功将复杂度从指数级降至线性，并首次在科学发现领域观察到了清晰的训练期和推理期扩展法则，证明了通过增加训练和推理算力可以持续提升模型性能。同时，团队开源了包含超10万篇论文推导链路的TOMATO-Star数据集及相关模型代码。