Новый ИИ-инструмент Distribird автоматизирует байесовскую калибровку моделей
Научная группа опубликовала на arXiv описание нового инструмента Distribird, предназначенного для автоматизации байесовской калибровки процессных моделей. Приложение заменяет ручную работу по поиску и оценке априорных распределений, которая обычно требует сочетания статистических и предметных знаний.
Как отмечают авторы, несмотря на десятилетия методологических разработок, исследователи почти всегда используют равномерные априорные распределения. Основная причина — медленный и трудоёмкий процесс извлечения информации из научных статей. Distribird решает эту задачу с помощью мультиагентного конвейера, который ищет литературу, извлекает опубликованные значения параметров и подбирает вероятностное распределение на основе информационного критерия Акаике.
Платформа оценивалась на 24 параметрах из 10 научных областей. Разработчики сравнили три открытых весовых модели — Qwen3.6 27B, Gemma 4 31B и Mistral Small 4 119B — с базовым подходом на основе одного промпта. По качеству априорных распределений полный конвейер показал результаты на уровне базовой линии, однако обладает рядом преимуществ.
Каждое априорное распределение в Distribird привязано к конкретным статьям и значениям, из которых оно построено. Встроенный слой валидации отклоняет запросы, выходящие за область применимости, тогда как базовая модель в 11 из 30 случаев выдавала уверенные, но необоснованные априорные распределения.
Кроме того, все вызовы языковых моделей выполняются локально, поэтому описания параметров и неопубликованные детали моделирования не передаются сторонним LLM-провайдерам. Для научного использования эти свойства, по мнению авторов, важнее незначительного улучшения точечной точности оценок.
Инструмент ориентирован на задачи с физически интерпретируемыми параметрами и предполагает, что предметные знания уже опубликованы в научной литературе. Если подходящих источников нет, система переключается на разумные информативные альтернативы, явно указывая степень уверенности в каждом априорном распределении.
