这篇题为《AI 如何找到我的模型？一项考虑数据格式、嵌入与检索策略的模型发现实验研究》的论文由 Jhon G. Botello 等五位作者完成，已于 2026 年 6 月 29 日提交至 arXiv，编号为 arXiv:2606.30846v1，归类于人工智能（cs.AI）方向。该研究已被 2026 年冬季仿真会议（WSC 2026）接收，最终版本将收录于 IEEE Xplore。论文关注建模与仿真（M&S）领域一个长期存在的基础性难题：如何发现并复用已有的仿真模型。当大量模型同时存在时，要找出与特定建模意图相匹配的模型仍然十分困难。
针对这一问题，作者提出借助人工智能，特别是基于检索的方法，在语义层面开展模型发现。他们设计了一项实验研究，系统考察数据表示方式、基于 Transformer 的嵌入模型以及检索策略对使用自然语言查询发现仿真模型的影响。研究的目标是为 AI 驱动的模型发现建立基线，并探讨其在推动 AI 驱动的可组合性与互操作性方面的作用。
在实验设计上，作者针对多种查询类型评估了检索性能，并采用信息检索领域的标准指标进行衡量，主要包括 recall@5 和 nDCG@5。这些指标分别反映前五个检索结果中相关模型的覆盖程度以及排序质量，能够较为全面地刻画不同配置下的发现效果。
实验结果表明，数据表示方式对模型发现效果具有显著影响，说明如何组织与描述仿真模型信息是影响检索质量的关键因素之一。同时，开源嵌入模型能够达到较高的性能水平，这意味着研究者和实践者不必依赖闭源商业方案，也能构建有效的模型发现系统。此外，重排序方法在检索流程中十分重要，尤其当查询复杂度上升时，其作用更加突出，有助于在初步召回的基础上进一步优化结果的排序与相关性。
论文还讨论了该工作的定位与局限。作者将其视为 AI 驱动模型发现的一个基线，为后续研究提供可比较的起点；同时指出，该研究面向的是语义层面的模型发现，其成果有望推进仿真模型之间的可组合性与互操作性。论文全文可通过 arXiv 获取，提交版本大小为 1,078 KB，最终出版版本将以 IEEE Xplore 收录的正式版本为准。