Large Knowledge Model：从论文到科学推理图景

当既有发现能帮助研究者选择新问题、设计研究并解释结果时，积累的科学知识才能推动探索。要在规模上实现这一价值，需要获取连接研究问题、科学程序、结论与证据的推理。我们提出Large Knowledge Model（LKM），一种将文献转化为共享的、可计算访问的推理资源的科学知识基础设施。LKM将论文表示为有来源依据的推理图，在同一对象上耦合结构遍历与语义检索，并跨论文对齐相关问题、主张与推理链。这一表示构成了具有三个互联视图的Scientific Reasoning Landscape（科学推理图景）：组织研究问题与开放方向的Question Landscape、暴露可复用科学程序的Workflow Landscape，以及将结论与其支持、分歧和条件相关联的Evidence Landscape。这一统一底座支持推理感知的科学检索、有证据依据的问答、比较性证据分析与研究规划。研究者和Agent可以按科学意图检索相关工作，综合答案并附上可查验的支持论证，并参考既有工作流程与未决证据制定研究计划。我们描述了一个语料库规模的系统，并评测科学检索与知识密集型问答。在固定问答模型的条件下，LKM检索在ChemBench、PubMedQA和SciBench上分别将准确率提升9.30%、4.20%和14.69%。通过将知识获取与科学推理和行动连接起来，LKM为发现相关研究、复用科学知识以及协调研究者、Agent与科研周期之间的累积性探究提供了共同基础。