arXiv cs.AI· Arne Hildenbrand, Philipp Diel, Zhuo Cao, Hanno Scharr, Stefan Pischinger, Steffen Marburg·· 13 小时前AI 评分31
智能体系统在声学任务中的实际评估：模型与 harness 如何影响性能
Practical Assessment of Agentic Systems in Acoustics
AI 导读
一项研究在两类声学应用中实测了 LLM 智能体的表现：车内录音故障检测达到近乎完美的准确率，超材料单元胞设计能稳定找到满足指定频段插入损耗的方案。该任务的 benchmark 显示，弱模型构成 harness 设计无法突破的上限，设计选择只有在模型足够强时才生效。
正文 · AI 翻译
摘要：在工程领域，人工智能的应用迄今主要局限于代理模型和优化任务。大语言模型改变了这一局面，因为它们可以根据用文字给出的任务编写软件。将这样的模型置于一个 harness（一套组件系统，使其能够搜索信息并执行软件）之中，它便成为一个能够接管重复性工程任务的智能体。本工作测量了模型与 harness 各要素如何在两个常见的声学应用中塑造智能体的性能与行为。在第一个应用中，智能体以近乎完美的准确率检测并定位来自车辆内部的录音中的故障。针对该任务的基准测试表明，弱模型设定了一个任何 harness 设计都无法突破的上限，而设计选择只有在模型足够强大、能够加以利用时才会生效。在第二个应用中，一项关于超材料单元胞设计的案例研究表明，智能体能够可靠地找到在给定频率范围内达到指定插入损耗的设计。研究结果旨在帮助读者理解智能体的每个要素各自贡献了什么，以及如何为声学任务设计智能体。
| 主题： | 声音（cs.SD）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.39685 [cs.SD] |
| （或 arXiv:2610.39685v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.39685 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Arne Erik Hildenbrand [查看电子邮件]
[v1]
2026年10月29日星期四 09:29:07 UTC（2,591 KB）
来源：arXiv cs.AI · arxiv.org