用途：HypoGeniC 在带标签的表格数据上自动生成并检验可测试的科学假设，适用于欺骗检测、内容分析、心理健康指标等领域的假设探索与基准对比。
主要能力：提供三种生成方法——HypoGeniC（纯数据驱动，从子集初始化并在验证集上迭代精炼）、HypoRefine（结合PDF文献洞察与数据模式）、Union（机制化合并去重，最大化覆盖）。支持多假设集成推理（voting、weighted、ensemble），输出假设库与逐样本预测及准确率。
使用方式：安装 pip install hypogenic；准备 train/val/test 三个JSON文件（平行列表，特征键可自定义，标签须与 extract_label 输出一致）；编写 config.yaml 定义数据路径、模型、缓存与四个提示模板（observations、batched_generation、inference、is_relevant）；用 BaseTask 加载任务后调用 generate_hypotheses 与 inference。CLI 等价命令如 hypogenic_generation --config config.yaml --method hypogenic --num_hypotheses 20。HypoRefine 需 GROBID 处理PDF，可选 Redis（端口6832）缓存。
关键参数：method、num_hypotheses（默认20）、batch_size（5）、max_iterations（10）、temperature（0.7）、confidence_threshold（0.7）、num_papers（10）、inference_method（voting）。
限制：需LLM API密钥；标签提取须与数据集严格对齐；文献方法依赖GROBID与有效PDF；资料称相对few-shot基线约提升9%、相对纯文献约16%，假设对多样性80-84%，但具体效果随任务而异。缺失信息暂未提供。