科学探究是一系列迭代循环，包括变量操作、观察收集以及对观察结果的推理，以揭示复杂系统中的因果关系。大型语言模型（LLM）在归纳推理、假设生成和数据分析等环节表现出色，但以往研究多将这些能力单独评估，缺乏对完整探究循环的整体考察。为此，我们构建了一个统一的交互式评估框架，将 Countdown 任务扩展到数学环境中，使智能体能够通过改变变量、记录观测值并推断变量间的关系来进行探究。该设置能够捕捉探索策略、因果发现以及假设细化的全过程。我们在七种 LLM 上测试了多种提示策略，结果显示模型本身的探究能力有限，成功发现底层表达式的比例偏低。引入类似教育支架的结构化指导后，模型的表现显著提升。研究表明，当前 LLM 在战略性探索和迭代假设修正方面仍有不足，但借鉴人类学习的简单引导策略可以显著改善其探究行为。
点评