新研究:初始化方式显著影响 LLM 驱动科学发现的效率与上限
BenBlaiszik · x · 2026-10-15
来自芝加哥大学、Vector Institute 与多伦多大学(Mansi Sakarvadia、Marco Ciccone、Colin Raffel)的新研究,研究 LLM 在"发现 harness"中迭代优化目标以发现算法/定理/药物时,初始化(initialization)的影响。
- 在 Can't Be Late、CloudCast、TSP、Circle Packing、Prompt 优化五个任务上对比「已初始化 vs 未初始化(Modular)」种群
- 结果:初始化后的曲线在不同模型(Gemini 3.5 Flash、GPT-OSS 120B、Llama 3.1 Instruct 8B)上均更快收敛且最终得分更高
- 结论:发现 harness 的初始化方式比想象中重要得多,良好的初始种群能大幅提升 token 效率与结果上限
所属事件:研究:初始化方式决定 LLM 科学发现的效率与上限(3 条相关)→
「研究」频道最新
- Meta 研究员 Lester Mackey 将于 2027 年加入伯克利任 EECS 与统计助理教授 — LesterMackey · 2026-10-15
- Vals AI 实测前沿模型：MuJoCo 仿真中操控机械臂与人形机器人 — scaling01 · 2026-10-15
- AI 极端天气预报新突破：预警窗口从 10 天延伸到 6 周 — LesterMackey · 2026-10-15
- DuplexJev：免解码单token决策，8卡0.1秒答80个语音决策 — adventists-ai · 2026-10-15
- LLM-to-Flow 蒸馏:让科学生成器听懂自然语言的发现目标 — rbhar90 · 2026-10-15
- ETH推出不确定性感知世界模型，真机器人上跑通离线强化学习 — breadli428 · 2026-10-15