#  强逻辑推理大模型

**Repository Path**: zgc-webcompetition/Powerful-Large-Reasoning-Model

## Basic Information

- **Project Name**:  强逻辑推理大模型
- **Description**: 项目致力于构建科学问题求解智能体，意在解决数学、物理、化学、生物等不同学科的科学任务，并且利用大模型前沿能力发现并提出好的科学问题。
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-01-29
- **Last Updated**: 2026-09-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 强逻辑推理大模型的构建：数据、算法与系统

[English](README.en.md)

面向数学、物理、化学、生物等学科，研究能够理解科研需求、执行科学工作流并从反馈中持续改进的智能体系。以可复验的科学结果检验推理能力，连接高质量数据、模型训练与科研系统。

## 核心系统

- **Science-Harness**：统一任务、工具与验证接口，记录执行轨迹与阶段产物，分别检验流程合规性与科学正确性，为结果复验和失败归因提供证据。
- **ScienceRSI**：基于执行证据诊断失败，优化工作流、数据策略与 Skill；通过固定预算对照、留出任务和独立验收，保留可复用的改进。

协作流程：Science-Harness 执行任务并输出证据，ScienceRSI 验证改进并返回新工作流，由 Harness 复跑与验证。两大系统处于集成与开源规划阶段。

## 研究方向

1. **科研智能体**：围绕 PaperAgent / ResearchAgent，研究任务规划、工具调用、代码执行与结果分析，解决长链路执行中的状态约束、失败恢复与结果验证问题。
2. **科学数据工作流**：依托 DataFlow-ScienceHarness，开展科学数据解析、清洗、转换、合成与质量评估，将学科约束转化为可复用的算子、工具与验证规则。
3. **可验证自改进**：利用失败轨迹、领域验证器与专家反馈优化工作流，检验同预算收益与跨任务迁移能力。
4. **强推理模型训练**：针对专业知识、多模态理解、推理与工具调用中的不足构建训练数据，开展监督微调和强化学习，验证对实际任务的作用。

## 项目进展

截至 2026 年 9 月，项目已开展多模态物理推理数据构建，完成初步监督微调与强化学习实验，搭建统一评测流程，并积累科研执行、形式化验证与过程诊断方法。下一阶段推进 Science-Harness 与 ScienceRSI 集成，验证执行、诊断、改进与复验闭环，逐步扩展数理化生任务包。

本季度录用成果：

| 名称 | 会议 |
| --- | --- |
| MathDebugger | EMNLP 2026 Main |
| xVerify | EMNLP 2026 Findings |
| GIFT | EMNLP 2026 Findings |
| Variational Co-Evolution | COLM 2026 |
| EduFlow | ACM MM 2026 |
| Canvas-of-Thought | ACM MM 2026 |
| SA-Bench | EMNLP 2026 Findings |
| ReproAgent | EMNLP 2026 Findings |

其他项目研究：[MorphoBench](https://arxiv.org/abs/2510.14265)、[多模态科学推理与 SeePhys 挑战赛技术报告](https://arxiv.org/abs/2509.06079)。

## 项目导师

- **董彬**：北京大学博雅特聘教授，任职于北京国际数学研究中心，兼任国际机器学习研究中心副主任、北京中关村学院常务副院长。研究方向为机器学习、科学计算和计算成像。
- **张文涛**：北京大学研究员、博士生导师，OpenDCAI 开源组织负责人。研究方向为以数据为中心的人工智能、LLM 数据系统与 AI4Science。曾任职于腾讯、Apple AIML 和 Mila。

## 招生方向

### 方向一：AI 与数据技术

**研究工作**：科研智能体与工作流系统研发；候选生成、多验证器评价与经验复用；科学数据处理、合成及质量评估；监督微调与强化学习实验。

**招募要求**：具备计算机、人工智能或数据科学等相关基础，熟悉 Python、机器学习及独立调试。有 Agent、工作流系统、PyTorch、大模型训练或开源开发经验者优先。

### 方向二：科学背景与 AI 交叉研究

**研究工作**：科学问题形式化与任务建模；科学数据构建、仿真及领域工具开发；验证器与评测基准建设；科学性错误诊断、逻辑校验及跨任务验证。

**招募要求**：具备数学、物理、化学、生物等学科基础，对 AI for Science、科学推理与科研智能体感兴趣，具备基本 Python 或科学计算能力。有数值仿真、计算化学、生物信息学或科研数据分析经验者优先。

**共同要求**：主动学习、认真负责，持续开展实验与跨学科协作，重视代码质量、实验记录和结果可复现。可按自身优势选择一个方向，参与问题定义、算法设计、系统开发、实验验证、论文写作与开源建设。

## 联系方式

[wentao.zhang@pku.edu.cn](mailto:wentao.zhang@pku.edu.cn) · [张文涛老师个人主页](https://zwt233.github.io/)

请简要介绍学科背景、研究经历与拟参与方向。

## 网页使用

直接打开 `index.html`，或在本目录运行 `python -m http.server 8765` 后访问 `http://localhost:8765`。无需安装前端依赖；样式与导航逻辑分别位于 `styles.css` 和 `script.js`。