做AI研究的人都有过这种时刻：一个想法冒出来，直觉告诉你它可能有用，但真要验证，得先烧掉一批GPU。跑还是不跑，往往只能靠猜。

亚马逊的一篇新论文给出了另一种可能——让大模型在实验开始前，先预测这次改动到底有没有收益。换句话说，把LLM当成一个"研究世界模型"，在任何人花掉GPU时间之前，先判断这次训练调整会不会帮上忙。

打开网易新闻 查看精彩图片

为什么需要提前预测

AI研究智能体提出实验的速度，已经远远超过团队能负担得起的执行速度。想法不缺，缺的是算力。

当候选实验排成长队，真正稀缺的资源就变成了"决定跑哪一个"。而这个决定，本质上是在提前猜测结果。猜错了，GPU时间就白烧了。

论文的思路正是冲着这个环节去的：与其事后复盘，不如让模型在实验前给出一个收益预判。

2653条真实记录怎么用

研究团队把LLM当作研究世界模型来用，任务是预测一个实验在跑之前能带来多少增益。测试数据来自9个实验设置下的2653条真实实验记录，覆盖范围从预训练一直到推理阶段。

关键发现是：同一个设置下的历史记录，能显著提升预测的准确度。

加入这些记录后，预测结果与实际结果的平均排名相关性，在5个设置上从0.506提升到了0.774。

这个数字的含义很直接——模型对"哪个实验更好"的排序判断，和真实跑出来的结果更接近了。

低推理投入反而赢了

更有意思的对比出现在OLMo3-100M这个设置上。

在低推理投入（low reasoning effort）的情况下，加入历史记录后得分达到0.892。而在最大推理投入（max effort）但不提供记录的情况下，得分只有0.648。

也就是说，喂给模型的历史实验记录，比让它多想一会儿更管用。推理投入拉满，也补不上没有记录这个缺口。

这对实际使用有直接指向：与其把算力花在让模型反复推演上，不如先把过去的实验数据整理好喂进去。

给跑研究智能体的人一条建议

论文给出的操作建议很朴素：如果你在跑研究智能体，把每一次实验都记录下来，包括失败的实验，然后把这些记录喂给那个负责挑选下一次运行的模型。

失败记录同样有价值——它们构成了"什么不管用"的边界，而这恰恰是预测下一个实验时最需要的信息。

从0.506到0.774，从0.648到0.892，两组数字指向同一件事：在GPU时间被烧掉之前，历史记录正在变成一种可复用的判断力。