工具型语言模型在科学领域哪些方面已表现良好？
在专业性强、数据密集的领域，使用工具的语言模型已展现出具有实际应用价值的性能。例如，一种名为CCLMoff的深度学习框架，整合了预训练的RNA语言模型，基于全面数据集进行训练，用于预测CRISPR/Cas9基因编辑的脱靶效应。该框架在多种新一代测序数据集上表现出强大的泛化能力，这意味着即使面对从未见过的序列，它也能准确识别非预期的编辑结果[1]。这是一款用于设计更安全基因疗法的具体实用工具。
同样，在急诊眼科领域，GPT-4和Llama-3-70b等大语言模型（LLMs）与认证眼科医生在73个真实急诊病例中进行了对比测试。人类专家平均得分为3.72分（满分4分），而GPT-4得分为3.52分，Llama-3-70b得分为3.48分。人类与GPT-4或Llama-3-70b之间的差异在统计学上并不显著，这意味着这些大语言模型在诊断和规划眼科急诊治疗方案方面表现与人类医生相当[2]。这表明，对于决策标准明确的狭窄、定义清晰的任务，使用工具的模型可以成为可靠的决策支持工具。
限制它们更广泛科学应用的主要瓶颈是什么？
尽管在特定任务上取得了成功，但专家们普遍认为，当前使用工具的语言模型存在显著局限性，使其无法被信赖为通用的科学工具。在2025年的一篇观点文章中，四组科学家就大语言模型在科学中的作用展开了辩论。其中一组认为，大语言模型常被误用且过度炒作，其局限性——例如倾向于生成听起来合理但错误的信息——使得应更专注于专业化、可解释的工具[3]。另一组则强调，制定科学路线图的责任必须由人类承担，而非模型[3]。
不同模型和任务的表现也存在差异。在同一项眼科研究中，GPT-4o的得分（3.20）显著低于人类专家（3.72），这表明即便在同一模型系列中，新版本也未必总能带来性能提升[2]。2023年一项关于ChatGPT在经济学领域应用的研究发现，它能为经济模型生成有用的代码，但作者也指出了其局限性，并建议谨慎使用[4]。2026年一篇关于大语言模型智能体工具使用的综述指出，现有研究在任务和工具类型上较为零散，缺乏如何使这些模型稳定有效的统一视角[5]。这种碎片化意味着，一个在某个科学任务上表现良好的模型，可能在另一个任务上出现不可预测的失败。
核心权衡：专用工具与通用助手
证据表明存在一个明显的权衡：使用工具的语言模型在专门针对特定科学任务时最为有用，但它们往往被宣传或设想为通用型科学助手。CRISPR脱靶预测工具[1]和急诊眼科决策支持工具[2]之所以成功，是因为它们应用于狭窄、定义明确的问题，拥有高质量的训练数据和清晰的评估标准。相比之下，评论文章[3]和关于智能体工具使用的综述[5]均警告称，在科学中通用型使用大语言模型存在风险，因为这些模型缺乏真正的理解能力，可能产生看似自信的错误。
这种权衡并非技术上的失败，而是指导我们如何善用技术的指南。最有力的证据表明，具备工具使用能力的语言模型在特定科学子领域——如CRISPR设计或紧急诊断——已具备实用性。在这些领域，虽然犯错代价高昂，但模型的性能已通过与人类专家的对比验证。对于更广泛的科学任务，例如提出假设或设计实验，这些模型尚不够可靠，仍需在人类密切监督下使用[3][5]。专家建议，未来的发展方向应是开发更专业化、可解释的工具，而非寄望于单一模型包揽一切[3]。
关于这些来源
该回答基于5篇经同行评审的研究——发表于2023年至2026年间，其中4篇为2024年或之后发表，2篇发表于Q1期刊，累计被引用59次——这些研究是从通过质量筛选的5项研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文的数据库中检索到的48篇文献。
本文引用的文献
使用语言模型的多功能CRISPR/Cas9系统脱靶预测工具
CCLMoff是一个利用预训练RNA语言模型的深度学习框架，能够实现准确的CRISPR/Cas9脱靶预测，并在多种基于NGS的检测数据集中展现出强大的泛化能力，为构建端到端的sgRNA设计平台奠定了基础。
在急诊眼科中使用大语言模型作为决策支持工具。
在一项针对73例真实急诊眼科病例的前瞻性比较研究中，GPT-4（平均得分3.52）和Llama-3-70b（3.48）在4分制量表上的表现与人类专家（3.72）相当，无统计学显著差异，而GPT-4o（3.20）的表现则显著较差。
大型语言模型的进步应如何影响科学实践？
在一篇2025年的评论文章中，四组科学家就大语言模型在科学中的应用展开了辩论：一组认为大语言模型被过度炒作且能力有限，另一组强调透明归因的重要性，还有两组则主张人类必须对科学路线图保持最终责任。
大型第四代语言模型：科学研究的新工具
2023年的一项研究表明，ChatGPT能够为基于智能体的经济模型和可计算一般均衡模型生成C#程序，凸显了其在跨学科研究中的潜力，同时分析了其局限性并提出了使用建议。
大型语言模型中的代理工具使用
一篇2026年的综述将大语言模型中的智能体工具使用归纳为三种范式（提示工程、监督学习、奖励驱动学习），并指出现有研究在任务和工具类型上仍较为零散，缺乏对工具使用方法差异与演变的统一视角。