评估用于动力天文学的多模态商业与开源大型语言模型：共振行为分类的基准研究

这对观星者和数据爱好者为何重要

天文学家花费出人意料的大量时间在做一件看起来非常接地气的事：盯着图表判断哪些“摆动”、哪些“漂移”、哪些表现出混沌。这些模式揭示了小行星是否被行星牵入微妙的轨道舞蹈，从而影响太阳系在数十亿年尺度上的演化。本文提出了一个及时的问题：能否理解文本和图像的现代人工智能系统介入并像人类专家一样可靠地做出这些判断——而无需任何专门训练？

太阳系的隐性交通规则

许多小行星并非孤立地绕太阳运行。它们的轨迹会被行星施加的周期性引力拉扯，这种情况称为轨道共振。当小行星的运动与行星以简单节奏匹配时，其轨道可能被捕获、被激发或被破坏。天文学家通过绘制称为“共振角”的量随时间变化的图来诊断这一点。如果图上的点在某一带状范围内振荡，该天体处于共振；若点对角线式地跨越整个纵向范围，则不在共振；若点来回切换，则行为更为模糊或暂时。对于明确的情况，简单的计算机规则运行良好——但在空间拥挤的区域（例如主小行星带），重叠的影响会产生混乱、噪声很大的图，难以自动分类，传统上需要专家目测。

从定制算法到通用人工智能

直到最近，研究人员依赖两类广泛策略。经典机器学习模型（如决策树和神经网络）可以被训练以识别特定类型的共振，但每个新问题都需要自己的带标注数据集、调参和代码。基于精心设计规则和频率分析的确定性方法在信号干净时表现良好，但当共振重叠或仅短暂出现时就会捉襟见肘。这两种方法在科学上最有趣的边缘情形——暂时捕获、共振“粘滞”与混沌运动——恰恰失效。相比之下，能够解析图像的现代大型语言模型（LLMs）提供了不同的可能性：零样本推理。它们不是在成千上万的专门示例上训练，而是被给出自然语言指令和一张图，让模型决定哪个类别最能描述该行为。

为人工智能视觉构建一个公平的测试

为了检验这些模型的真实表现，作者创建了一套基准图像集，展示平均运动和章动共振这两类关键轨道相互作用的共振角。每张图都是从长期数值模拟中汇编出的角度随时间的散点图，并由专家仔细标注为共振、非共振、瞬态，或在最极端的边缘情况下标为有争议。作者组装了四个数据集：一个小型“健康检查”集（RB-TEST）、一个与早期工作可比的50张试点集（RB-PILOT）、一个包含模糊案例的50张集（RB-SMALL），以及一个涵盖所有行为的大型450张集合（RB-FULL）。随后，作者将这些图像输入到一系列模型：顶级商业系统、大型开源模型，以及可以在个人计算机上运行的小型开源模型。较大的模型接收了详细的逐步提示；较小的模型使用了更简单、轻量的规则集。

机器完成天文学家工作的表现如何

在最容易的测试中，许多模型——无论商业还是开源——都能将每张图分类正确。在中等难度的 RB-PILOT 集上，领先的商业系统保持了近乎完美的得分，而最好的开源模型也相当接近。真正的挑战是 RB-SMALL，其中许多图展示了连专家也会争论的混合行为。在这里，表现最好的商业模型在精确率和召回率的组合评分上仍达到约 94%，而最优秀的开源模型约为 76%。更大的 RB-FULL 集确认了这一模式：当任务被简化为关于是否存在共振的二分类决定时，商业模型与顶级开源系统均取得了较高准确率，大多数错误集中在棘手的瞬态与粘滞区间。值得注意的是，一些可以本地运行的较小模型在处理简单的二类标注时仍提供了实用的性能。

这对未来天空巡天意味着什么

对非专业人士来说，结论是：通用人工智能系统现已能够查看那些曾经需要专家判断的嘈杂轨道图，并在许多情况下给出与传统工具相当甚至匹敌的结论——而无需针对该任务进行直接训练。它们并非完美，尤其是在小行星只是短暂接近共振而未真正进入共振时，但它们已经可以承担大量需要人工目视检查的繁琐工作，为大型巡天减轻负担。本研究发布的基准为天文学家提供了一种标准、可复用的方法来测试新模型并在成本、开放性与准确性之间做出权衡。随着多模态人工智能的持续进步，它很可能成为描绘太阳系复杂引力编舞的常规伙伴。

引用: Smirnov, E., Carruba, V. Evaluating multimodal commercial and open-source large language models for dynamical astronomy: a benchmark study of resonant behavior classification. Sci Rep 16, 10785 (2026). https://doi.org/10.1038/s41598-026-45926-y

关键词: 轨道共振, 多模态人工智能, 小行星动力学, 时间序列分类, 开源语言模型