LLINBO：可信的LLM在环贝叶斯优化框架

新框架为LLM参与的贝叶斯优化提供回退机制与理论保证

资讯摘要

论文提出LLINBO框架，将现有基于LLM的贝叶斯优化方法包裹起来，决定何时采纳LLM建议、何时回退到经典BO。作者为三种交互机制给出no-harm理论保证，在常见核函数下确保次线性累积遗憾，且不要求对LLM作性能假设。仿真显示该方法提升了LLM-BO的可靠性，并保留少样本能力以优于经典BO；作者还在真实3D打印实验中做了验证，代码已开源。

要点速读

1. LLINBO为LLM建议与经典BO的切换设计三种交互机制，各自附带no-harm理论保证
2. 理论保证在常见核函数下给出次线性累积遗憾，且不假设LLM性能
3. 仿真显示其提升LLM-BO可靠性并优于经典BO，另在真实3D打印实验中验证

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 2026/11/3 08:00:27（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。