研究揭示 LLM 优化器陷入原理级局部最优瓶颈
原文标题：An important Bottleneck in LLM Optimizers: Principle-Level Local Optima
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出「原理级搜索坍缩」概念，指反馈驱动的 LLM 优化器虽持续产出不同候选，但搜索被限制在狭窄的设计原理集合内。在分子优化、网络哨兵节点选择与 GPU 内核优化 161 次运行中，78.3% 出现坍缩迹象，而多样性注入等常见缓解手段效果有限。
- 问题
- 反馈驱动的 LLM 优化器为何在预算充足时仍长期停滞。
- 方法
- 构建跨分子、网络、GPU 内核的诊断基准，用决策树协议判定「原理级搜索坍缩」，并测试多样性注入与参考原理干预。
- 结果
- 161 次运行中 78.3% 出现坍缩迹象，55.3% 为强支持；65 次分子运行中多样性注入后仍有 73.8% 支持坍缩。
- 影响
- 用 LLM 做自动化优化时，加温度、换模型、开联网这类提多样性手段可能无效，需从设计原理层面干预。
深读 · 结论先行AI 生成展开看要点与影响 ↓
161次LLM优化器运行中78.3%出现「原理级搜索坍缩」，多样性注入难缓解
- •论文提出「原理级搜索坍缩」：候选看似不同，但搜索被锁在狭窄设计原理集合内
- •诊断基准覆盖分子优化、网络哨兵节点选择、GPU内核优化三个领域，共161次可评估运行
- •78.3%的运行获坍缩支持证据，其中55.3%为强支持
- •测试65次分子优化运行，加入多样性注入后仍有73.8%支持坍缩、53.8%强支持
- •参考原理干预能改善部分运行，但收益随模型与任务变化，拿到更好原理并不保证奏效
为什么重要：若反馈驱动的LLM优化器普遍卡在原理层而非候选层，靠提高温度、换模型、加搜索等常规手段救不了，做进化搜索与自动科研的团队需重新设计探索机制。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。