AutoAssumption 通过搜索假设自动发现 ML 系统算法
原文标题：GenPFN: An In-Context Tabular Foundation Model Approach for Augmenting Small Datasets in Engineering
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。
研究者将 89 个 KV 缓存淘汰、权重剪枝与投机解码算法形式化为带显式假设的 Lean 证明图，提出 AutoAssumption 框架：放松某一假设、重新推导并证明、生成代码。在缓存淘汰与剪枝任务上均超越所运行的已发表算法并达到 SOTA，同预算下与 AlphaEvolve 开源实现 OpenEvolve 分数接近且方差更低。
- 问题
- 如何自动发现 KV 缓存淘汰、剪枝、投机解码等 ML 系统算法。
- 方法
- 把 89 个算法形式化为带显式假设的 Lean 证明图，放松假设后重新推导证明并生成代码。
- 结果
- 在缓存淘汰与剪枝任务上超越所运行的已发表算法并达 SOTA，同预算下与 OpenEvolve 分数接近且方差更低。
- 影响
- 为推理系统调优提供可验证的自动算法搜索路径，减少手工设计启发式的成本。
深读 · 结论先行AI 生成展开看要点与影响 ↓
AutoAssumption把89个KV缓存淘汰、剪枝、投机解码算法形式化为Lean证明图，放松假设重推后超越已发表算法达SOTA
- •将89个KV缓存淘汰、权重剪枝与投机解码算法形式化为带显式假设的Lean证明图
- •流程为放松某一假设、重新推导并证明、再生成代码
- •在缓存淘汰与剪枝任务上均超越所运行的已发表算法并达到SOTA
- •同预算下与AlphaEvolve开源实现OpenEvolve分数接近且方差更低
为什么重要：把算法发现从试错搜索转为可证明的假设改写，为推理优化这类工程性强的领域提供了可验证的自动发现路径。
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
谷歌 DeepMind 发布 AlphaGenome 2，精细预测突变细胞效应
AI 摘要谷歌 DeepMind 推出 AlphaGenome 2，基于 68 种组织、超 1 亿个细胞图谱训练，可预测遗传变异对特定细胞类型与状态的影响。该模型识别出的影响基因表达的变异数量约为上一代的两倍，并能在未重新训练的情况下预测新细胞类型，有望助力疾病机理研究与药物靶点发现。
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。