新研究：LLM 发掘系统初始化质量决定串行发现的下限
TheGradient · x · 2026-10-16
一篇关于 LLM 驱动发现(discovery harnesses)的新论文指出，串行发现的质量很大程度上取决于初始种群的质量。LLM 越来越多地被用于在 harness 内迭代优化目标来发现新算法、定理和药物。
核心发现：在固定算力预算的条件下，并行提示(parallel prompting)可以作为强大的初始化手段，显著抬升发现的下限。也就是说，跑串行优化之前先用并行方式铺一张好的初始种群，比直接开跑更划算。
「研究」频道最新
- Google Willow 芯片量子纠错降 40 倍，比特币 Q-Day 或提前 — jamestagg · 2026-10-16
- inFERENCe《机器学习手册》：四种把难题变为可解问题的变换 — goyal__pramod · 2026-10-16
- Transluce 实践者反思：神经元自动解释一年后仍难解释复杂行为 — aryaman2020 · 2026-10-16
- Transformer 训练蝙蝠神经数据建成海马体"数字孪生",揭示未知群体活动结构 — patrickmineault · 2026-10-16
- RLM 发布一周年:递归语言模型让 GPT-5-mini 长上下文成绩翻倍且更省钱 — a1zhang · 2026-10-16
- MIT 博士 Sharut Gupta 入职 DeepMind,答辩 talk 被导师力荐 — phillip_isola · 2026-10-16