用途：Hypogenic 面向科研发现，用大语言模型从观测数据中自动生成并检验可测试的科学假设，加速假设驱动的实证研究。
主要能力：提供三种方法。HypoGeniC 仅从数据出发，迭代生成并优化假设；HypoRefine 通过智能体框架融合文献洞见与经验数据；Union 方法将纯文献假设与框架输出做机制化组合。支持 API 模型（OpenAI、Anthropic）与本地 LLM，支持 Redis 缓存降低重复调用成本、并行处理与自适应优化。
使用方式：安装 pip install hypogenic；克隆示例数据集 git clone https://github.com/ChicagoHAI/HypoGeniC-datasets.git ./data。命令行生成假设：hypogenic_generation --config ./data/your_task/config.yaml --method hypogenic --num_hypotheses 20；推理：hypogenic_inference --config ./data/your_task/config.yaml --hypotheses output/hypotheses.json。也可用 Python API，从 hypogenic 导入 BaseTask，调用 generate_hypotheses 与 inference。数据需为 HuggingFace 格式，含 train/val/test 三个 JSON，键为 text_features_1 等与 label，各列表长度一致。任务需 config.yaml 定义路径与提示模板，并实现 extract_label 解析模型输出。HypoRefine/Union 需先用 GROBID 预处理 PDF 文献。
适用场景：无既有文献的探索性研究、有理论基础的理论验证与扩展、需要最大化假设多样性的综合研究。
限制：文献自动检索暂未支持，需手动准备 PDF；GROBID 与 s2orc-doc2json 为可选依赖；标签格式须与数据集一致，否则影响准确率计算。具体收费与平台支持资料未提供。