用途：在经验性表格数据集上自动生成并检验科学假设，加速研究探索。支持三种方法：HypoGeniC 仅从观测数据迭代生成假设；HypoRefine 结合文献与数据，需先处理 PDF 论文；Union 将纯文献假设与框架输出做机制式组合。
主要能力：从数据生成 10-20+ 可检验假设并迭代精炼；支持 OpenAI、Anthropic 等 API 及本地 LLM；可用 GROBID 提取论文洞见；支持 Redis 缓存与并行处理；模板化提示工程与自定义标签提取。
用法：安装 uv pip install hypogenic，克隆示例数据集，运行 hypogenic_generation --config ./data/your_task/config.yaml --method hypogenic --num_hypotheses 20，再运行 hypogenic_inference。也可用 Python API 的 BaseTask。数据须为 HuggingFace 格式，含 train/val/test JSON，键为 text_features_1...n 与 label，所有列表等长。每任务需 config.yaml。文献方法需先 bash ./modules/setup_grobid.sh、放 PDF 到 literature/YOUR_TASK_NAME/raw/、bash ./modules/run_grobid.sh，再 python pdf_preprocess.py --task_name YOUR_TASK_NAME。
适用场景：欺骗检测、AI 生成内容识别、心理健康指标、预测建模等经验研究。
限制：官方称自动文献检索将在未来版本支持；部分可选依赖（Redis 端口 6832、s2orc-doc2json、GROBID）与价格、平台细节暂未提供。