MOOSE-Star (ICML 2026): 7B模型 + 108K论文数据集用于科学假设发现

先声明：我在 MiroMind 负责社区工作。我们的一位研究人员刚刚在 Hugging Face 上发布了完整的 MOOSE-Star 系列——一个经过后训练用于科学假设发现的 7B 模型，以及背后的数据集。论文已被 ICML 2026 接收。🤗 系列：[https://huggingface.co/collections/ZonglinY/moose-star-models-and-data](https://huggingface.co/collections/ZonglinY/moose-star-models-and-data) **内容包括：** * **MS-IR-7B / MS-HC-7B / MS-7B**：用于灵感检索、假设组合和联合使用的 7B 模型。基础模型：DeepSeek-R1-Distill-Qwen-7B。 * **TOMATO-Star**：108,717 篇 NCBI 论文被分解为（背景、假设、灵感），每个灵感都对应真实的引用。涵盖生物学、化学、医学、医学影像、心理学、认知科学。预处理耗时约 38,400 A800 GPU 小时。 * **严格的评估时间划分**：训练集 ≤ 2025 年 9 月，测试集 = 2025 年 10 月（超过基础模型的知识截止日期）。 **灵感检索准确率** |模型|IR 准确率| |:-|:-| |随机选择|6.70%| |R1-Distilled-Qwen-7B (基础)|28.42%| |Claude Sonnet 4.6|45.02%| |DeepSeek-R1|45.11%| |Gemini-3 Flash|51.44%| |GPT-5.4|51.50%| |**MS-7B (7B, 联合 IR + HC)**|**54.34%**| |**MS-IR-7B (7B, 仅 IR)**|**54.37%**| |Gemini-3 Pro|54.89%| 本地运行：这是一个标准的 DeepSeek-R1-Distill-Qwen-7B 微调模型，因此任何能运行该基础模型的工具都能运行它——llama.cpp / vLLM / SGLang 都没问题。fp16 下约 14GB，单张 24GB 显卡即可。代码采用 Apache-2.0 许可，数据采用 CC-BY-4.0 许可。欢迎进行压力测试，尽情尝试！如有问题或任何看法，欢迎在下方留言！📄 [https://arxiv.org/abs/2603.03756](https://arxiv.org/abs/2603.03756) 💻 [https://github.com/ZonglinY/MOOSE-Star](https://github.com/ZonglinY/MOOSE-Star)