LLM 智能体驱动的无导数优化求解器在低维任务上评估效率优于基线。
资讯摘要
论文提出 NextEval，一种基于智能体的无导数优化求解器，将大语言模型智能体与数值环境结合：环境提供分析历史评估和执行数值方法的工具，并维护共享评估历史与方法状态以支持切换方法后继续运行；LLM 智能体依据观测与工具反馈选择工具、配置参数并分配评估预算。作者同时提出 NextEval Bench 基准协议，在相同评估预算与信息约束下比较不同智能体配置。作者报告在低维 DFO 问题上，其函数评估效率优于现有 DFO 基线。
要点速读
- NextEval 将 LLM 智能体与数值环境结合，由智能体选择工具、配置参数并分配评估预算。
- 环境维护共享评估历史与方法专属状态，支持跨方法切换的延续。
- 作者提出 NextEval Bench 基准协议，并报告在低维 DFO 问题上函数评估效率优于现有基线。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。