?arXiv 12-Nov-2025 LLM相关论文(4/76)
?更多论文见主页/合集
?arXiv ID: arXiv:2511.08522
?论文标题: AlphaResearch: Accelerating New Algorithm Discovery with Language Models
? 问题背景：
大型语言模型在复杂但易于验证的问题上取得了显著进展，但在发现未知领域仍面临挑战。现有方法要么依赖有偏见的评估，要么难以弥合创意生成与实际执行之间的差距，限制了自主算法发现的能力。
? 研究动机：
为了解决算法发现过程中可行性与创新性难以兼顾的难题，研究团队提出了AlphaResearch。该智能体通过构建双重研究环境，结合程序执行验证与模拟真实同行评议，旨在加速新算法的发现。
? 方法简介：
AlphaResearch通过三个核心步骤迭代运行：提出新想法、在双重环境中验证想法、优化研究提案以提升性能。该框架利用训练好的奖励模型过滤创意，并通过代码执行器验证算法可行性。
? 实验设计：
研究团队构建了包含8个开放性算法问题的AlphaResearchComp基准。实验结果表明，AlphaResearch在与人类研究者的正面比较中取得了2/8的胜率，其中\"圆打包\"问题的解决方案超越了人类和现有基线方法。
?更多论文见主页/合集
?arXiv ID: arXiv:2511.08522
?论文标题: AlphaResearch: Accelerating New Algorithm Discovery with Language Models
? 问题背景：
大型语言模型在复杂但易于验证的问题上取得了显著进展，但在发现未知领域仍面临挑战。现有方法要么依赖有偏见的评估，要么难以弥合创意生成与实际执行之间的差距，限制了自主算法发现的能力。
? 研究动机：
为了解决算法发现过程中可行性与创新性难以兼顾的难题，研究团队提出了AlphaResearch。该智能体通过构建双重研究环境，结合程序执行验证与模拟真实同行评议，旨在加速新算法的发现。
? 方法简介：
AlphaResearch通过三个核心步骤迭代运行：提出新想法、在双重环境中验证想法、优化研究提案以提升性能。该框架利用训练好的奖励模型过滤创意，并通过代码执行器验证算法可行性。
? 实验设计：
研究团队构建了包含8个开放性算法问题的AlphaResearchComp基准。实验结果表明，AlphaResearch在与人类研究者的正面比较中取得了2/8的胜率，其中\"圆打包\"问题的解决方案超越了人类和现有基线方法。
