文章主要内容与创新点总结一、主要内容本文聚焦大语言模型（LLMs）在天文数据处理中的应用价值，以引力波识别为测试场景，深入探究LLMs在非高斯、非平稳噪声环境及有限标记样本条件下的性能表现。研究背景：传统神经网络处理引力波数据时依赖大规模模拟数据集，且易受非高斯、非平稳噪声干扰，而引力波观测的标记事件数量有限（仅90个LIGO事件），存在明显局限性。核心实验：基于90个LIGO观测事件构建数据集，采用Meta-Llama-3-8B-Instruct模型进行微调，未使用任何模拟数据辅助训练，最终实现97.4%的识别准确率，信号与噪声类别的召回率均达该水平。拓展分析：补充大规模模拟数据集（560,000个样本）进行预微调，发现LLM性能无显著提升，表明其无需依赖模拟数据即可提取有效特征；模型规模实验显示，参数从0.5亿增至80亿时，识别准确率稳步提升，80亿参数级模型性能趋于收敛；数据集规模实验表明，训练样本量增加可提升模型性能，低数据量阶段提升显著，后期增益逐渐放缓。应用延伸：提出LLM的优势场景（全局模式主导、非高斯非平稳噪声、有限标记样本）在射电脉冲星搜索、快速射电暴探测等多个天文领域具有普适性。二、创新点首次