大型语言模型代理正被用于自主科学研究，能够自行设计实验并在几乎无需人工干预的情况下推断机制世界模型。然而，可辨识性常被忽视：当代理遇到平台期时，需要判断是自身能力不足，还是模型从现有数据中不可辨识，此时同类实验再多也无助。我们提出了可辨识性驱动实验代理（LLM-IDEA），在闭环发现过程中嵌入可辨识性引擎，输出三类平台期判定：能力上限、在当前设计类可解、或已证实不可进一步探索。
在 ODEBench 上，62 个含自由常数的系统中有 60 在第 0 轮即可辨识；RC 电路在协议允许的所有实验中均被判为已耗尽；通过加入一个初始条件，收获模型可被解析。可辨识性引擎在 Lotka‑Volterra、Van der Pol、Lorenz 以及药代动力学模型上复现已知判定，并推荐药理学家使用静脉注射臂；在我们自建的基准中，它将深度评分器在四种观测设计中排名最后。
在 DiscoverPhysics 基准上，它发现了两个公开世界的解释标准奖励了一个合法实验无法区分的差异，且所有轨迹准确的模型均未通过解释评分（15/15 未通过，对比可辨识世界中 5/9 通过，p=0.012）。在我们提出的 Alien Universe 双体测试平台中，力律在不可辨识协议与可辨识协议之间切换，LLM-IDEA 在可辨识协议下的发现深度在 8/8 随机种子中至少为 3，而未使用时仅为 1/8。因此，自治发现代理能够计算而非猜测平台期是需要更深入搜索、改进同类实验，还是更换实验类型。
点评