arXiv cs.AI· Chenxing Wei, Sichen Liu, Lizhao Liu, Ningyuan Sun, Chen Bingzhou, Ying He, Bo Jiang, Fei Yu, Yao Shu·· 14 小时前AI 评分38
OptiCom：LLM 驱动优化中状态条件组合的统一框架
OptiCom : A Unified Framework for State-Conditioned Composition in LLM-Driven Optimization
AI 导读
OptiCom 是一个统一框架，将 LLM 驱动的优化器表示为共享配置空间 C=(A,Q,O,E,M,S)，由快速 LLM 优化控制器通过结构化 Action Packages 动态组合即时机制，较慢的策略适配器则基于轨迹反馈调整长期选择偏好。在 32 个基准组上，OptiCom 在 14 种配置中平均 Max-score 排名 1.72，并在 23 个组中取得最高分。
正文 · AI 翻译
摘要：大型语言模型（LLM）正越来越多地被部署用于通过迭代优化解决复杂的科学和实际问题。然而，随着候选质量、失败模式和资源预算不断变化，如何动态协调多种搜索机制仍是一个关键的开放挑战。有针对性的实证诊断表明，机制的有效性高度依赖于状态。受此启发，我们分析了单个决策如何驱动最终结果，将共享预算下的预期最终改进分解为累积决策机会减去累积选择损失。在这一机会-损失理论基础指导下，我们提出了 OptiCom，一个统一框架，在共享配置空间内表示 LLM 驱动的优化器：C=(A,Q,O,E,M,S)，分别对应工件、查询、算子、评估、记忆和策略。在该空间内运行时，一个基于 LLM 的快速优化控制器通过结构化动作包动态组合即时机制，而一个较慢的策略适配器则根据累积的轨迹反馈来改进长期选择偏好、算子权重和模板。在 32 个基准组上的全面评估证明了该框架的优越性：在 14 种评估配置中，OptiCom 的平均最高分排名为 1.72，并在 23 个组中取得最高分。最终，这些结果凸显了 OptiCom 作为稳健 LLM 测试时扩展的通用范式的广泛适用性和高度可扩展性。
| 评论： | 43 页，11 张图 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.37221 [cs.AI] |
| （或 arXiv:2609.37221v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.37221 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Chenxing Wei [查看电子邮件]
[v1]
2026 年 9 月 29 日星期二 10:38:06 UTC（904 KB）
[v2]
2026 年 10 月 26 日星期一 05:15:17 UTC（904 KB）
来源：arXiv cs.AI · arxiv.org