# Stellar LLM Classifier：结合天体物理规则与大语言模型的恒星智能分类系统

> 一个创新的混合架构天文工具，将确定性硬计算（Hard Computing）与 AstroSage-8B 大语言模型相结合，实现对 Gaia DR3 恒星光谱类型的自动分类与自然语言描述生成。

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-06-07T21:12:03.000Z
- 最近活动: 2026-06-07T21:26:40.263Z
- 热度: 154.8
- 关键词: 恒星分类, 大语言模型, 天体物理, Gaia DR3, AstroSage-8B, 混合计算, 光谱类型, 机器学习, 天文AI, 自然语言生成
- 页面链接: https://www.zingnex.cn/forum/thread/stellar-llm-classifier-b59bc222
- Canonical: https://www.zingnex.cn/forum/thread/stellar-llm-classifier-b59bc222
- Markdown 来源: ingested_event

---

## 原作者与来源

- 原作者/维护者：bennylimpid196
- 来源平台：github
- 原始标题：stellar-llm-classifier
- 原始链接：https://github.com/bennylimpid196/stellar-llm-classifier
- 来源发布时间/更新时间：2026-06-07T21:12:03Z

## 原作者与来源\n\n- **原作者/维护者：** bennylimpid196\n- **来源平台：** GitHub\n- **原始标题：** stellar-llm-classifier\n- **原始链接：** <https://github.com/bennylimpid196/stellar-llm-classifier>\n- **发布时间：** 2026年6月3日\n- **最后更新：** 2026年6月7日\n\n---\n\n## 项目概述\n\nStellar LLM Classifier 是一款面向天文学研究的创新工具，它能够自动识别和分类恒星。该项目的核心创新在于采用**混合架构（Hybrid Architecture）**，将传统的天体物理确定性计算与现代大语言模型（LLM）技术相结合，为 Gaia DR3 数据集中的恒星提供准确的光谱类型分类和人性化的自然语言描述。\n\n该项目由 bennylimpid196 开发，旨在让没有编程背景的天文学爱好者和研究人员也能轻松使用先进的恒星分类技术。整个处理流程在本地计算机上完成，确保数据隐私安全。\n\n---\n\n## 核心技术与架构设计\n\n### 混合计算范式\n\n该系统的架构设计体现了"硬计算+软计算"的融合思想：\n\n**硬计算层（Hard Computing / HC）**\n\n系统首先运用严格的天体物理规则对恒星进行初步分类。这一层基于确定性的算法，根据恒星的物理参数（如绝对星等、有效温度、表面重力）按照摩根-基南（MK）光谱分类系统进行标准化分类。这种规则驱动的方法确保了分类结果的物理可解释性和科学严谨性。\n\n**软计算层（Soft Computing / SC）**\n\n在硬计算层输出 MK 光谱类型的基础上，系统调用专门微调的大语言模型 **AstroSage-8B** 生成自然语言描述。这个拥有 80 亿参数的模型经过天文文献训练，能够将技术性的光谱分类数据转化为流畅、专业的文字描述，仿佛由资深天文学家撰写。\n\n### 数据处理流程\n\n整个恒星分类流程遵循以下步骤：\n\n1. **数据导入：** 用户上传包含 Gaia DR3 恒星数据的 CSV 文件\n2. **参数验证：** 系统检查必需的字段（绝对星等、有效温度、表面重力）\n3. **规则分类：** HC 层应用天体物理规则确定 MK 光谱类型\n4. **智能描述：** SC 层调用 AstroSage-8B 生成自然语言描述\n5. **结果导出：** 输出包含光谱类型和描述的完整报告\n\n---\n\n## 模型性能与验证结果\n\n根据项目技术报告（CLAUDE.md）中的实验数据，该系统在 498 颗 Gaia DR3 恒星的测试集上表现出色：\n\n### 核心指标（V6 版本）\n\n| 指标 | 数值 |\n|------|------|\n| 准确率（Accuracy） | 0.7579 |\n| 科恩卡帕系数（Cohen's Kappa） | 0.7083 |\n| 宏平均 F1 分数（Macro F1） | 0.6710 |\n| 近 misses（距离为1） | 0.9976 |\n| 平均绝对误差（\|ΔTeff\|） | 248.0 K |\n\n### 置信区间\n\nBootstrap 95% 置信区间显示误差范围为 [0.135, 0.205]，表明模型具有良好的稳定性和可靠性。\n\n### 版本演进\n\n项目经历了从 V1 到 V7 的迭代优化，通过不断调整系统提示词（System Prompt）和验证策略，最终版本（V7）的准确率提升至 **0.7951**，平均绝对误差降低至 **212.2K**，展现了持续改进的能力。\n\n---\n\n## 技术实现细节\n\n### AstroSage-8B 模型\n\nAstroSage-8B 是专门针对天文领域微调的语言模型，其名称中的"8B"代表 80 亿参数规模。该模型基于天文文献语料训练，具备以下特点：\n\n- **领域专业化：** 理解天文术语和恒星物理概念\n- **多轮验证：** 支持 7 个版本的系统提示词迭代\n- **离线运行：** 下载后可在本地完全离线运行\n- **隐私保护：** 数据不上传至任何外部服务器\n\n### 系统要求\n\n为确保流畅运行，建议配置如下：\n\n- **操作系统：** Windows 10 或 Windows 11\n- **处理器：** Intel Core i5 或 AMD Ryzen 5（4核以上）\n- **内存：** 8 GB RAM（推荐 16 GB）\n- **存储：** 5 GB 可用空间（用于应用和模型文件）\n- **显卡：** 独立显卡有助于提升性能，但非必需\n\n---\n\n## 应用场景与使用方式\n\n### 目标用户\n\n该工具适合以下群体：\n\n- **天文爱好者：** 无需编程知识即可分析恒星数据\n- **教育工作者：** 用于教学和演示恒星分类概念\n- **研究人员：** 快速批量处理 Gaia DR3 数据集\n- **数据科学家：** 探索天文数据与自然语言生成的结合\n\n### 使用流程\n\n1. 从 GitHub Releases 页面下载安装程序（.exe 文件）\n2. 运行安装向导，按提示完成安装\n3. 启动应用，导入符合格式的 CSV 数据文件\n4. 选择"Classify stars"选项开始分类\n5. 等待进度条完成，导出结果至新的电子表格\n\n---\n\n## 项目意义与展望\n\n### 科学价值\n\nStellar LLM Classifier 代表了天文数据处理领域的一个重要尝试——将传统确定性算法与生成式 AI 相结合。这种混合范式既保留了天体物理规则的严谨性，又利用了大语言模型的表达能力，为科学数据的可视化和传播提供了新思路。\n\n### 技术启示\n\n该项目的架构设计对其他科学领域具有借鉴意义：\n\n- **确定性+生成式：** 在需要科学准确性的同时提供人性化输出\n- **本地化处理：** 保护敏感数据，支持离线工作\n- **领域微调：** 通用大模型通过专业语料微调可显著提升特定领域表现\n\n### 局限与改进方向\n\n当前版本主要针对 Gaia DR3 数据优化，使用其他来源的数据可能产生不一致结果。未来版本可考虑扩展数据源支持，并进一步优化模型在边缘光谱类型上的分类精度。\n\n---\n\n## 总结\n\nStellar LLM Classifier 是一个将传统天文学与现代 AI 技术巧妙融合的开源项目。通过结合确定性天体物理规则与 AstroSage-8B 大语言模型，它为恒星分类任务提供了一种既科学严谨又易于理解的解决方案。对于希望探索 AI 在天文领域应用的开发者和研究者而言，该项目提供了宝贵的参考实现。\n\n项目代码和详细文档已开源在 GitHub，欢迎感兴趣的天文爱好者和技术开发者下载试用。