研究人员开发了 Guidance-TTT，这是一种新颖的方法，通过将战略决策与解决方案执行分离开来，来增强 LLM 驱动的科学发现。该方法在测试时训练一个较小的指导模型来提出高级更改，而一个较大的、冻结的执行模型则将这些更改实现为完整、可验证的解决方案。这种分离使得能够专注于策略的高效学习，而不会损害强大模型的实现能力。Guidance-TTT 在组合优化、启发式编程、机器学习和 GPU 内核优化等领域表现出卓越的性能，优于先前的工作并在公共排行榜上取得了有竞争力的结果。 AI
影响 该方法通过提高科学发现任务中的效率和性能，有可能加速 LLM 在复杂问题解决领域的应用。
排序理由 该集群描述了一篇关于 LLM 驱动发现的新颖方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
