利用大型语言模型自动构建深度学习任务基线研究

研究利用 LLM 为 36 个来自 Nature、Science 和 Cell 系列期刊的分类与回归任务自动构建简单基线。这些基线恢复了朴素预测器与深度学习模型性能差距的 95.5%，其中 12 项研究中简单基线表现优于深度学习模型。 该研究通过分析不同科学领域及测试时计算量的影响，表明自动化基线构建是校验深度学习贡献的可行且可扩展方法，有助于应对同行评审跟不上研究产出的挑战。