Hypogenic 自动化假设发现

问题背景

经验研究里，假设往往靠人工从文献与数据里「猜」：覆盖面有限、和既有理论的对齐也不系统。Hypogenic 把假设生成和批量检验拆成可配置的流水线，让 LLM 在观测数据、可选 PDF 文献、以及两者组合三种路径上产出可检验命题，并在验证集上迭代淘汰弱假设。

工作方式

框架提供三条主路径：

• HypoGeniC：只用 train/val/test 里的文本特征与 label，先在小子集上生成候选假设，再按验证表现迭代精炼，用困难样本上的新假设替换表现差的条目。
• HypoRefine：先用 GROBID 等把论文 PDF 转成结构化文本，从文献抽理论假设，再与数据驱动假设并行生成、共同精炼。
• Union：把纯文献假设与 HypoGeniC 或 HypoRefine 的输出做机械合并，扩大覆盖同时控制冗余。

任务侧需要 HuggingFace 风格 JSON（text_features_* + label）和 config.yaml 里的观测、批量生成、推理、相关性检查等提示模板；推理阶段依赖你实现的 extract_label()，其输出格式必须与数据集中 label 一致，否则准确率无法对齐。

适用边界

• 适合有标注文本分类/预测式任务（欺骗检测、AI 生成内容识别、心理健康指标等），而不是无标签纯探索。
• HypoRefine/Union 依赖文献预处理与额外依赖（如 s2orc-doc2json、GROBID）；未配 Redis 时仍可跑，但重复 LLM 调用成本会更高。
• 生成假设「太宽」或推理差，通常要从模板具体化、训练样本量、假设数量与标签解析函数四处排查，而不是单靠换模型。