TAILOR用配对CVaR目标让LLM启发式在均值与尾部同时可认证改善。
资讯摘要
论文提出TAILOR框架，用候选启发式与基线在同一工作负载上的成本差的条件风险价值（CVaR）引导LLM合成启发式，即衡量最差部分工作负载上的平均差异。作者报告负的配对CVaR可保证平均性能与尾部最优性差距同时改善，且无需计算未知最优解。在Azure GPU批处理准入、Azure虚拟机装箱和服务器放置三个案例中，TAILOR取得最佳均值—尾部权衡；在七个优化基准中，六个基准的启发式以99%置信度被认证优于基线。
要点速读
- TAILOR以配对CVaR为目标，衡量候选与基线在最差部分工作负载上的平均成本差。
- 作者报告负配对CVaR可同时保证平均性能与尾部最优性差距改善，无需计算最优解。
- 在七个优化基准中，六个基准的启发式以99%置信度被认证在均值与尾部均优于基线，并在尾部优于已知鲁棒人工设计方法。
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 2026/11/4 08:00:28（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。