Distribird：基于文献的贝叶斯先验分布自动生成工具

在贝叶斯建模中，为过程驱动模型（process-based models）设定合理的参数先验分布是关键步骤。然而，尽管相关方法论研究已有数十年积累，科研人员仍普遍依赖均匀分布等无信息先验。其主要原因在于：从海量科学文献中提取、整合并转化为统计先验，不仅耗时费力，还需同时具备领域专业知识与统计建模能力。

针对这一痛点，arXiv最新论文《Distribird: Literature-Informed Prior Distribution Design for Bayesian Model Calibration》提出了一种创新解决方案——Distribird。这是一个基于多智能体架构的Web应用程序，旨在自动化构建文献驱动的先验分布。用户只需输入参数名称、物理描述及其所属科学领域，Distribird便会启动一个端到端的智能流程：首先检索相关学术文献，随后提取其中报告的具体参数值，并根据领域相关性对这些值进行加权，最终通过AIC（赤池信息准则）模型选择方法拟合出最优的概率分布。

尤为值得注意的是，Distribird在设计上充分考虑了科研工作的严谨性与实用性。当系统无法在现有文献中找到足够证据支持某一参数时，它不会强行生成结果，而是回退至合理的无信息先验（如宽泛的均匀分布或弱信息分布），并明确标注该先验的证据来源缺失状态及置信水平。此外，系统内置“有效性验证层”，对于超出其适用范围的请求（例如参数定义模糊或领域不匹配），会直接拒绝生成先验，避免产生误导性输出。

研究团队在10个不同科学领域中的24个参数上对Distribird进行了评估，对比了三种开源大语言模型（Qwen3.6 27B、Gemma 4 31B、Mistral Small 4 119B）构成的完整多智能体管道与单一提示（single-prompt）LLM基线的表现。结果显示，在先验质量方面，Distribird的整体性能与基线相当。但关键差异在于可靠性：在30个模型-参数组合中，单提示基线对其中11个明显超出范围的请求仍输出了看似自信却毫无依据的先验；而Distribird则成功识别并拒绝了这些无效请求。

更进一步，Distribird强调数据隐私与本地化处理。所有涉及用户输入的参数描述或未发表建模细节均在本地运行，不会上传至第三方大模型服务商。仅有系统自动生成的搜索关键词会被发送至公共文献数据库（如PubMed、Semantic Scholar等），从而在保障科研敏感信息不外泄的同时，实现高效的知识检索。

作者指出，对于科学建模而言，可追溯性、透明度和安全性远比微小的点估计精度提升更为重要。Distribird不仅提供了一个实用工具，更代表了一种将AI代理系统与科学工作流深度融合的新范式——让大模型成为科研人员的“智能文献助手”，而非黑箱预言者。