Textual interpretation of transient image classifications from large language models

该文章提出用大型语言模型（LLMs）解决天文瞬变源分类问题，在保证高精度的同时提升结果可解释性，为下一代天文观测数据处理提供新方案。

一、文章主要内容总结

1. 研究背景：现代天文巡天产生海量瞬变源数据，需区分真实天体信号（如超新星）与虚假成像伪影，但传统卷积神经网络（CNNs）虽分类精度高（超98%），其潜在表示不透明，可解释性差。
2. 核心实验：使用谷歌LLM模型Gemini，在Pan-STARRS、MeerLICHT、ATLAS三个光学瞬变巡天数据集上测试，仅提供每个望远镜15个带注释的“目标图-参考图-差值图”样本及简洁指令，平均分类准确率达93%。
3. 关键功能：Gemini不仅输出二元分类结果，还能生成自然语言描述，包括瞬变源形态、亮度变化及可能的天体物理属性，并给出观测优先级评分（高/低/无兴趣），辅助天文学家优先跟进重要事件。
4. 性能验证：通过12位专业天文学家评估，Gemini生成的解释平均一致性得分超4（满分5），且模型可自我评估解释的连贯性，低连贯性得分与错误分类强相关，基于此迭代优化后，MeerLICHT数据集准确率从93.4%提升至96.7%。
5. 挑战与展望：LLM当前存在计算成本高、推理速度慢（单查询需数秒，远慢于CNNs的毫秒级）的问题，未来可通过优化小型开源模型、量化技术或“CNNs初筛+LLM细解”的混合方案解决；同时可扩展至星系分类、系外行星凌日识别等领域，并整合光谱和时间序列数据实现多模态分析。