一个「看起来像真的」的数字
「这个配方的反射损耗最小值是多少？」大语言模型会流畅地给出 -31.5 dB 这样的答案。它可能接近文献常见区间，也可能完全偏离你的体系，而你无法分辨：没有训练数据来源，没有适用范围，没有误差估计。
为什么我们不让人工智能直接「编数字」
材料研发里的每个数字都可能变成一次真实的实验。云烯的选择是：让大语言模型做它擅长的理解、规划与解释，把关键数值交给本机训练的机器学习与物理模型，并且永远附上适用域与不确定性。
The Problem
大语言模型不是材料模型
大语言模型从文本中学习「什么样的数字看起来合理」，而不是从你的实验数据中学习「这个体系真实的规律」。直接问它一个性能数值，它会给出一个语气自信、来源不明的答案。
一个有来历、有边界的数字
同样的问题交给本机训练的模型：数值来自你自己的实验数据与物理特征工程，同时给出适用域判断与不确定性。落在适用范围之外的参数会被明确标注，而不是被掩盖成一个光滑的预测值。
Dual Engine
双引擎分工：谁擅长，谁上场
这不是「不用大模型」，而是「不让大模型冒充计算器」。两个引擎在同一工作台里协同，边界清清楚楚。
大语言模型：理解与规划
- 听懂自然语言描述的研发任务
- 拆解步骤、编排 9 个领域 Agent
- 解释结果、撰写报告、整理文献线索
本地模型：关键数值预测
- 本机训练的多算法集成模型
- 62 维材料特征工程，含 21 维物理特征
- 留出法独立校验，验证策略写进模型卡
协作方式：大语言模型负责理解你的目标并调用本地工具完成计算，再把结果解释给你。它接触任务与结论，但不代替本地模型产生数值。
0维材料特征工程体系，覆盖成分、工艺与结构
0维物理特征，把领域知识写进模型输入
0+工程化 Agent 能力，真实接入工作流
0%数值计算在本机完成，不出你的设备
Honest Prediction
每个预测，都带着自己的边界
工程上真正危险的从来不是「没有答案」，而是「一个不知道能不能信的答案」。云烯把适用域与不确定性作为预测的一等公民。
适用域：模型知道自己的能力圈
每次预测都判断输入参数与训练数据分布的距离。落在适用域之外，界面会明确标注「此结果超出验证范围」，而不是悄悄给出一个外推值。
不确定性：误差是结论的一部分
预测区间与置信说明随数值一起展示，未验证的约束条件不会混入通过名单。实验人员看到的不是一个孤立数字，而是一个可以做决策的判断依据。