Distribird：用多智能体流水线自动生成贝叶斯校准先验分布

贝叶斯校准在为过程型（process-based）模型选择参数先验时，长期面临「方法研究丰富、实践却普遍回退到均匀先验」的尴尬：科学文献中其实散落着大量可用信息，但人工提炼既耗时，又同时考验领域知识与统计功底。arXiv 上新发表的论文《Distribird: Literature-Informed Prior Distribution Design for Bayesian Model Calibration》提出了一种基于多智能体流水线的自动化方案，试图把这部分工作交还给系统。

工具核心思路

Distribird 的输入是参数名、物理描述以及领域背景。它通过多智能体流水线完成三件事：在公开文献中检索相关报告；从论文中抽取数值并按领域相关性加权；最后用 AIC 模型选择拟合一个概率分布。当文献中没有可用证据时，系统会回退到合理的无信息先验，并同时输出「证据来源」与「置信度」。论文强调，所有先验都可追溯到具体论文与具体数值，避免黑箱。

评测设计

作者在 10 个科学领域、24 个参数上做了评测，对比三种开源权重模型——Qwen3.6 27B、Gemma 4 31B、Mistral Small 4 119B——与「单条 prompt 直出」的 LLM 基线。结果显示，完整流水线在先验质量上「持平」于单条 prompt 基线。更值得关注的是稳健性差异：单条 prompt 基线在 30 个「模型–参数」组合中有 11 个会给出自信但无依据的先验，而 Distribird 内置有效性层会直接拒绝超出范围的请求。

隐私与定位

论文特别指出，所有语言模型调用都在本地完成，因此参数描述、未公开建模细节不会外传到第三方 LLM 服务商；只有检索词会触达公开文献库。作者认为，对科学应用而言，「每条先验都可溯源、会拒绝越界输入、不泄露内部信息」这三条属性，比点估计精度的边际提升更重要。

适用边界

Distribird 面向的是「参数具有物理可解释性、领域知识沉淀于已发表文献」的那类建模问题；对于纯黑箱或缺乏文献支撑的参数，系统会主动告知证据不足，而不是强行生成分布。论文定位明确：这是一个为特定科学建模场景设计的工具，而非通用先验生成器。