EvoRank：LLM 引导的多目标排序流水线进化
原文标题：EvoRank: LLM-Guided Evolution of Multi-Objective Learning-to-Rank Pipelines
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。
研究提出 EvoRank，一个 LLM 引导的进化循环，可自动发现完整的 Learning-to-Rank 流水线。在 Expedia 数据集上，三次独立运行均在 50 轮内收敛并超越调优后的 LambdaMART，进入原竞赛前 6%。研究还提出可提前预测收益的 headroom gate，并开源系统与失败模式目录。
- 问题
- 多目标电商搜索中，如何自动发现完整 Learning-to-Rank 流水线。
- 方法
- LLM 引导的进化循环自动搜索特征、模型、损失与集成，并引入 headroom gate 提前预测收益。
- 结果
- Expedia ICDM 2013 上三次独立运行均在 50 轮内收敛，超越 Optuna 调优的 LambdaMART，进入原竞赛前 6%。
- 影响
- 让团队在投入 LLM 成本前判断自动排序搜索是否值得，并开源系统与失败模式目录。
深读 · 结论先行AI 生成展开看要点与影响 ↓
EvoRank用LLM进化自动发现排序流水线，50轮内超越调优LambdaMART进前6%
- •在Expedia ICDM 2013数据集上以相关性、转化、收入为竞争目标
- •三次独立运行均在50轮内收敛，成本约十美元
- •在6万条留出查询上超越Optuna调优的LambdaMART，全量数据下优势保持
- •首轮仅进化训练目标时，增益经迁移审计几乎全是适应度噪声
- •提出headroom gate，可在LLM花费前预测收益，并开源系统与失败模式目录
为什么重要：既给出自动化排序工程可行路径，也用迁移审计揭示LLM进化易被自身评分噪声欺骗。
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。