arXiv cs.AI· Shuo Chen, Li Cui, Cunxin Huang, Ya-Feng Liu, Minghang Xie, Meng Xu, Zaikun Zhang·· 12 小时前AI 评分31
NextEval：面向无导数优化的智能体求解器与基准
NextEval: An Agent-Based Solver and Benchmark for Derivative-Free Optimization
AI 导读
NextEval 是一个基于 LLM 智能体的无导数优化（DFO）求解器，由 LLM 智能体与数值环境组成，智能体负责选择工具、配置参数并分配评估预算，数值方法负责计算候选点。团队同时提出 NextEval Bench，可在相同评估预算与信息约束下比较不同智能体配置。在低维 DFO 问题上，NextEval 的函数评估效率优于当前最优 DFO 基线。
正文 · AI 翻译
摘要：无导数优化（DFO）解决的是导数不可用或获取成本高昂的问题。这种情形常见于基于仿真和实验的应用中，在这些场景下，评估黑盒目标函数本身就可能代价高昂。因此，如何在有限预算下有效利用累积的观测信息来选择有信息量的评估点，仍然是 DFO 的核心挑战。有鉴于此，我们提出了 NextEval 求解器，一种基于智能体的 DFO 求解器，它集成了大语言模型（LLM）的能力来指导评估点的顺序选择。具体而言，我们建立了一个将 LLM 智能体与数值环境相结合的系统。该环境提供用于分析过往评估和执行数值方法的工具，同时维护共享的评估历史和方法特定状态，以支持跨方法切换的延续。利用观测信息和工具反馈，LLM 智能体选择工具、配置其参数并分配评估预算，而数值方法则计算和评估候选点。在此系统基础上，我们还推出了 NextEval Bench，这是一个基准测试协议，用于在匹配的评估预算和信息约束下，使用相同的数值工具在共享 DFO 任务上比较智能体配置。在低维 DFO 问题上的数值结果表明，NextEval 求解器在函数评估效率上优于最先进的 DFO 基线。
| 评论： | 27 页 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；优化与控制（math.OC） |
| 引用为： | arXiv:2610.36553 [cs.LG] |
| （或 arXiv:2610.36553v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36553 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Meng Xu [查看邮箱]
[v1]
2026 年 10 月 27 日星期二 03:02:04 UTC（5,778 KB）
来源：arXiv cs.AI · arxiv.org