LLM-SRBench
PulseAugur coverage of LLM-SRBench — every cluster mentioning LLM-SRBench across labs, papers, and developer communities, ranked by signal.
-
ScienceDiscovery 使用树搜索自主优化科学代码
开源九章社区开发了 ScienceDiscovery 系统，该系统使用树搜索驱动研究产品迭代（RSI），使程序能够自主优化科学代码。这种方法避免了重新训练模型或调整参数，而是专注于迭代代码改进。ScienceDiscovery 已成功地通过自动生成解决复杂任务（如求解振荡积分、评估超几何函数和优化代码）的方案，在数小时内以极低的成本加速了科学发现。
-
LLMs通过测试时缩放改进科学方程发现
研究人员探索了用于科学方程发现的测试时缩放（TTS），这是一项开放式任务，语言模型通过数据反馈搜索方程。他们将LLM驱动的方程发现构建为一个迭代搜索过程，在一个计算分配框架下统一了各种方法。在LLM-SRBench数据集上的实验表明，搜索宽度是最关键的分配参数，随着计算预算的增加而改进，并通过并行化提高实际运行效率。研究结果表明，在有信息量验证器的情况下，控制探索和利用是扩展基于LLM的科学方程发现的关键。
-
最新研究探讨LLM智能体在技能选择、自动驾驶和合规性方面的进展
arXiv上发布的多篇研究论文探讨了大型语言模型（LLM）智能体的进展，重点在于提高其能力和可靠性。其中一篇论文介绍了用于LLM智能体最优技能选择的最佳前缀选择（BPS），该方法在性能和代币成本方面提供了可证明的保证。另一项研究提出了一个混合框架用于自动驾驶，该框架整合了LLM的常识推理与强化学习和PID控制，以增强决策能力。此外，还有研究通过纵向生命轨迹来缓解LLM智能体中的身份本质主义，并开发了LLM智能体的策略合规性和故障归因方法。
-
LLM进化对科学发现无效；提出新的集合级选择方法
一篇新研究论文挑战了使用大型语言模型（LLM）进行科学方程发现的迭代进化方法的有效性。研究发现，基于父代的进化与独立采样相比没有显著改进，成功主要取决于初始提案的质量。研究人员提出了PTB-Search，一种依赖于单代方法的方法，该方法对提取到词典中的可重用术语进行集合级选择，在LLM-SRBench等基准测试中显著优于现有基线。
-
新方法利用大型语言模型和进化技术增强神经符号回归
研究人员正在开发新的神经符号回归方法，这是一种旨在从数据中发现显式科学定律的技术。EditSR采用了一个包含神经模型和基于编辑的校正器的两层框架，以提高效率和准确性，尤其是在处理复杂表达式时。FunctionEvolve采用了一个包含表达式树和大型语言模型的进化框架来指导符号回归的搜索，在基准任务上取得了高精度。可分解神经符号回归结合了Transformer模型、遗传算法和遗传编程，以生成与原始数学结构匹配的可解释多元表达式。
-
LLM驱动的符号回归方法助力科学发现
研究人员开发了一种名为“Influence-Guided Symbolic Regression”（IGSR）的新型科学发现方法，该方法利用大型语言模型（LLMs）。IGSR通过生成候选基函数并使用细粒度影响分数进行评估来增强方程发现，这些分数量化了每个项对准确性的贡献。与传统的标量指标相比，这允许更系统地优化模型结构。该方法在各种基准测试中被证明是有效的，甚至识别出一种新的生物学关系，并随后通过实验得到了验证。
-
新AI方法增强符号回归以促进科学发现
研究人员开发了新的符号回归方法，这是一种用于从数据中发现数学表达式的技术。一种方法是程序化上下文增强（Programmatic Context Augmentation），它通过允许基于代码与数据集的交互来提取超越简单评估指标的更丰富信号，从而增强了基于LLM的进化搜索。另一种方法是深度变分推理符号回归（DVISR），它通过引入变分贝叶斯原理来推断候选表达式及其常数的后验分布，从而量化不确定性，扩展了深度符号回归。第三篇论文提出了一种…