科学发现系统通常在固定的假设空间内优化实验，这会导致一种失效模式：所有候选模型都缺少同一机制时，即使模型类系统性错误，候选之间的分歧也可能消失。为此我们提出实验模型类修订：发现策略同时给出结构编辑和诊断实验，以检验该编辑是否必要。方法将类级可区分性目标与随时有效的序列证据相耦合，后者仅在当前模型类被拒绝后触发结构修订。具体而言，必须有唯一的共享参数化能够解释所有已选实验。
在 400 个未见的受控动力学环境中，联合策略在仅 32 次真实实验的预算下实现 89.5% 的精确恢复，比最强基线提升 10.0% 点，并且使用更少的实验和候选拟合。学到的修订‑实验配对能够迁移到未见的机制组合、未见但可表达的原语、参数外推以及实验成本变化的情形；当真实机制超出编辑文法时，能够在 88% 的案例中检测到库不足，误支持率仅为 5.5%。修订收益同样迁移到 ODEBench、ODEBase 模型库任务以及 DiscoverPhysics 世界。这些结果支持一种科学发现观：决定理论应表达哪些机制以及在哪里收集证据，可视为同一序列决策问题。
点评