用途：Hypogenic 用大语言模型在表格数据集上自动生成并测试科学假设，加速实证研究。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；Union 机制化组合文献假设与数据驱动假设。
主要能力：从数据生成 10-20+ 可检验假设并按验证表现迭代优化；支持 OpenAI、Anthropic 等 API 及本地 LLM；通过 GROBID 与 s2orc-doc2json 处理论文 PDF 提取文献洞见；Redis 缓存降低重复实验 API 成本；并行处理与自适应精炼；模板化提示工程与自定义标签抽取。
使用方式：安装 uv pip install hypogenic；克隆示例数据集 git clone https://github.com/ChicagoHAI/HypoGeniC-datasets.git ./data；运行 hypogenic_generation --config ./data/your_task/config.yaml --method hypogenic --num_hypotheses 20；再运行 hypogenic_inference --config ./data/your_task/config.yaml --hypotheses output/hypotheses.json。也可用 Python API：from hypogenic import BaseTask，调用 task.generate_hypotheses 与 task.inference。数据集需为 HuggingFace 格式，含 train/val/test JSON，键为 text_features_1 等与 label，各列表长度一致。每个任务需 config.yaml 定义路径与提示模板。文献方法需先 bash ./modules/setup_grobid.sh、bash ./modules/run_grobid.sh，再 python pdf_preprocess.py --task_name YOUR_TASK_NAME。
适用场景：无既有文献的探索性研究、有理论基础的研究验证与扩展、需要综合假设覆盖的研究，如欺骗检测、AI 生成内容识别、心理健康指标、预测建模等。
限制：需自行准备符合格式的数据集与配置；文献方法依赖 GROBID 与 PDF 预处理；自动文献检索暂未提供；标签抽取需与数据集 label 格式一致；具体收费、价格与平台支持资料暂未提供。