BoLT用代理模型让BBO研究者低成本评测LLM优化任务。
资讯摘要
论文提出BoLT，一个以LLM为中心的基准，旨在让黑盒优化（BBO）研究者无需承担高昂训练与推理成本即可研究LLM配置优化。BoLT覆盖多保真、多目标、异方差噪声和高维搜索空间等问题，每个问题基于真实实验数据，并通过拟合数千次真实LLM实验结果的轻量代理模型实现可复现访问。作者报告，在BoLT上评测多种BO与BBO方法时，部分BO方法在各任务上持续优于其他方法，并指出现有BBO方法在LLM任务上的不足。
要点速读
- BoLT是首个面向BBO社区的LLM中心基准，代码发布于GitHub。
- 基准问题基于真实实验数据，用拟合数千次真实LLM实验的轻量代理模型保证可复现。
- 作者报告部分BO方法在BoLT各任务上持续优于其他方法，并指出现有BBO方法在LLM任务上存在差距。
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。