arXiv cs.AI· Au Kwok Chun, Abhigyan Acherjee, Amrutha Rao, Zaiqian Chen, Kazem Meidani, C. Bayan Bruss, Micah Goldblum·· 14 小时前AI 评分42
如何回收 Autoresearch 智能体中被浪费的算力
Recovering Wasted Compute in Autoresearch Agents
AI 导读
针对 autoresearch 智能体在表格数据集上的建模流程，研究识别出四类常见失效模式：反复解决同一 bug 浪费算力、剩余算力充足却不调超参数、树搜索算法实际不探索、数据分析结果不用于下游决策。作者通过跨搜索树所有分支共享运行时约束的全局调试顾问、提示词与控制层增强以及改进的树搜索算法回收浪费的算力，在底层语言模型固定的前提下仅靠智能体设计即取得性能大幅提升。
正文 · AI 翻译
摘要：近期一系列工作开发了用于端到端解决研究问题的智能体，这一范式越来越多地被称为 autoresearch。此类智能体已激发大量产业投资，其动力在于它们有望自动化耗时的人工劳动，并为专门应用定制机器学习解决方案。在本文中，我们研究这些 autoresearch 系统核心的建模流水线，并识别出它们应用于表格数据集时的常见失败模式：(1) 它们浪费算力反复解决同样的缺陷；(2) 即使剩余算力预算很大，它们也常常无法调优超参数；(3) 驱动它们的树搜索算法并不进行探索；(4) 它们执行数据分析，模仿其训练数据所来自的人类，但并不利用该分析做出下游决策。我们探索了有针对性的干预措施，发现一个全局调试顾问在搜索树的所有分支间共享已发现的运行时约束、提示与控制层面的增强，以及改进的树搜索算法，能够成功挽回浪费的算力。我们的结果表明，在底层语言模型保持不变的情况下，仅通过智能体设计就能在 autoresearch 智能体性能上取得大幅提升。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2608.10424 [cs.AI] |
| （或本版本使用 arXiv:2608.10424v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2608.10424 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zaiqian Chen [查看邮箱]
[v1]
2026年8月11日 星期二 03:15:08 UTC（947 KB）
[v2]
2026年10月26日 星期一 15:37:48 UTC（947 KB）
来源：arXiv cs.AI · arxiv.org