Distribird：面向贝叶斯模型校准的文献知情先验分布设计

基于过程的模型的贝叶斯校准需要为每个模型参数提供先验分布。尽管已有数十年的方法学工作，研究者几乎总是退回到均匀先验。主要原因是从科学文献构建有信息先验既缓慢，又需要领域与统计两方面的专业知识。我们提出Distribird，一个将此过程自动化的agentic网络应用。给定参数名称、物理描述和领域背景，Distribird部署一条多智能体管线，检索文献、按领域相关性提取并加权所报告的数值，并通过AIC模型选择拟合概率分布。当没有文献可用时，系统退回到合理的无信息替代方案，并清晰报告其产出的每个先验背后的证据与置信水平。它面向的是模型参数具有物理可解释性、且已发表文献中存在领域知识的问题。我们在10个科学领域的24个参数上评估该工具，将三个开放权重模型（Qwen3.6 27B、Gemma 4 31B、Mistral Small 4 119B）与单提示词大语言模型基线进行比较。在先验质量上，完整管线与该基线相当。每个先验都可追溯至构建它的具体论文和数值；内置的效度层会拒绝为超出范围的请求生成先验，而单提示词基线在30个模型-参数案例中的11个上对这类请求返回自信却无依据的先验；并且每次语言模型调用都在本地运行，因此不会向第三方大语言模型提供商传输参数描述或未发表的建模细节（只有生成的检索词会到达公共文献数据库）。对于科学用途，我们认为这些属性比点估计精度的边际提升更重要。