LLM系统改进优化算法，打破10项Packomania记录

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-07 04:00

研究人员开发了一个名为Discovery Loop的系统，该系统利用大型语言模型（LLMs）来迭代改进优化算法。该系统从一个基础求解器开始，利用LLM提出改进建议，然后针对基准进行评估。将其应用于Packomania圆圈填充问题，Discovery Loop成功改进了10个不同N值的已知最佳解决方案，在LLM成本仅为27.72美元的情况下，比之前的记录提高了2.4%-5.4%。 AI

影响展示了一种新颖的自动化科学发现方法，有可能使复杂问题的解决民主化。

排序理由该条目描述了一篇研究论文，详细介绍了使用LLM演化优化算法的新方法，该方法取得了新的基准记录。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 32 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目描述了一篇研究论文，详细介绍了使用LLM演化优化算法的新方法，该方法取得了新的基准记录。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Wes Sander · 2026-09-07 04:00

LLM驱动的圆打包程序演化：以28美元打破10项Packomania记录

arXiv:2609.05093v1 Announce Type: new Abstract: We present Discovery Loop, a lightweight system that uses a large language model (LLM) to iteratively evolve optimization algorithms. Starting from a simple seed solver, the LLM proposes algorithmic improvements guided by a scoreboa…

本文如何被排名

报道来源 [1]

LLM驱动的圆打包程序演化：以28美元打破10项Packomania记录

相关实体

相关话题