2026-09-17
莱斯大学搭了一条分工式LLM代理链,从2.78万篇全文筛出278篇,一小时抽出近9000条掺合料混凝土实验记录,17个模型里最优F1达0.98。
混凝土是用量最大的人造材料,占全球人为 CO2 的 8%–9%。数据驱动配比已经能把材料成本压大约 30%、隐含排放压大约 60%,可实验室数据太少:多数机器学习论文用不到 500 条记录,超过 90% 缺胶凝材料的化学或物理描述。用得最广的开源库还是 Yeh 1998 年那 1030 条。文献里堆了几十年实验,数字散在多层表头、脚注和正文里,单位和缩写不统一,人工抽取跟不上发文速度。
ChemDataExtractor、MatSciBERT 这类传统 NLP 能抽实体,但要写规则、标语料,换材料体系就重来。混凝土更麻烦:组分不是一条化学式,而是多种掺合料各自带着氧化物、细度、掺量,还常常分表报告。
莱斯大学这条管线把一篇 XML/HTML 全文拆成一串专用 LLM 代理,不微调。表格代理先把表标签转成纯文本,再按图注和内容留下胶凝材料性质、配合比、抗压强度。后续处理代理做五件事:多层表头展平、脚注并入、缩写展开、空单元格按上行补齐、列名和单位对齐到统一目标(立方码磅改成立方米千克,psi 改成 MPa)。水胶比隐含的水量、减水剂按体积或占胶凝材料百分比给出的剂量,另有代理换算成质量。
正文侧用正则捞出缩写定义、养护温湿度、试件尺寸的候选句,再交给 LLM 选定并结构化。最后按配合比编号把表和文拼成一条完整记录,并做物理合理性检查,比如强度必须为正。输入故意不用 PDF,因为 PDF 丢逻辑结构。
评测用同一模型贯穿全部代理,17 个开源和闭源模型各跑一遍,对照 58 篇人工抽取的 3015 条金标。正式建库用 GPT-4o。
Web of Science 检索到 46820 篇 2000 年后论文,拿到 27830 篇 XML/HTML 全文;LLM 粗筛加人工复核剩 278 篇。GPT-4o 先抽出 10313 条,去重和范围过滤后得到 8979 条、100 多个字段、3121 个独特配合比,覆盖粉煤灰、矿渣、硅灰、石灰石粉、煅烧黏土五种掺合料。此前最大公开库是 Imran 的 2171 条;Jiang 的 5026 条未公开。
| 设置 | 指标 | 结果 |
| Claude Sonnet 4.5 | 总体 F1 | 0.98 |
| GPT-4o | 总体 F1 / 精确率 / 召回 | 0.97 / 0.98 / 0.96 |
| GPT-4o 试件尺寸 | F1 | 0.89,五类里最弱 |
| 17 个模型 | 总体 F1 | 全部高于 0.85,12 个高于 0.90,8 个高于 0.95 |
| 人工 vs GPT-4o | 篇均耗时 | 21.6 分钟 vs 5.5 分钟 |
| 278 篇并行 | 墙钟时间 | 不到 1 小时,串行约 25 小时 |
下游用 XGBoost 预测抗压强度:加上 CaO、SiO2 等氧化物和勃氏细度,分布内精度略升,CaO 含量进入最重要特征。分布外设定是只用纯硅酸盐和二元掺合料训练、去预测三元和四元体系,即使吃满训练集,RMSE 仍超过 14 MPa。往训练集里加目标域样本,带化学描述大约 50 条就能把 RMSE 打到 10 MPa,不带要 100 条以上。
这是材料信息学里比较完整的一次「文献到结构化实验库」落地:分工代理处理异构表格,不靠领域微调,17 个模型大多能用。做配比模型的人可以直接拿这 8979 条开源库;做 LLM 抽取的人也能看清短板,表比文稳,试件尺寸这种跨段文本最容易选错句子。
它是工程拼装,不是新模型。价值在规模、字段完整性和可改代理链。
作者列了硬缺口。超过 60% 的论文把强度画在图里,管线不读图,筛掉的文献里可能还有大量数字。近 30% 的论文表里没有胶凝材料性质,36% 正文不写养护条件,16% 不写试件尺寸。缩写未定义时,FA 可能是粉煤灰也可能是细骨料。LLM 会算错单位,例如把 0.56 m²/g 写成 5.6 m²/kg,也会把 0.5% 乘成 0.5 倍。评测只看端到端,不拆中间步骤的误差。金标 58 篇大约 20%,人工抽过加上抽查覆盖 80% 以上记录,剩下没有逐条对原文。
管线只吃 XML/HTML,2000 年以前的 PDF 基本排除。只抽抗压强度,不抽和易性、凝结时间、耐久性,也不抽骨料岩性。配合比必须能换成单位体积质量,净浆和砂浆常被丢掉。