arXiv 2026年10月6日EvoCast是一个全自主研究智能体系统，用于迭代式时间序列预测架构演化：它先建立并诊断任务专属基线，再依据数据集特征、诊断结果、历史轮次与失败记录生成有证据支撑的研究方向，由LLM智能体负责假设生成与代码实现，由确定性程序权威控制源码编辑边界、规范评估与模型晋升；在30个仓库级实现任务上成功率达96.7%，并在空气质量、墨尔本行人T33与钢铁工业三个真实预测案例中取得最低MSE，同时相比R&D-Agent降低token与API成本。EvoCast是一个全自主研究智能体系统，用于迭代式时间序列预测架构演化：它先建立并诊断任务专属基线，再依据数据集特征、诊断结果、历史轮次与失败记录生成有证据支撑的研究方向，由LLM智能体负责假设生成与代码实现，由确定性程序权威控制源码编辑边界、规范评估与模型晋升；在30个仓库级实现任务上成功率达96.7%，并在空气质量、墨尔本行人T33与钢铁工业三个真实预测案例中取得最低MSE，同时相比R&D-Agent降低token与API成本。EvoCast以认知-权限分离实现自主预测架构演化，在三个真实预测任务上取得最低MSE并降低智能体侧成本EvoCast是一个全自主研究智能体系统，用于迭代式时间序列预测架构演化：它先建立并诊断任务专属基线，再依据数据集特征、诊断结果、历史轮次与失败记录生成有证据支撑的研究方向，由LLM智能体负责假设生成与代码实现，由确定性程序权威控制源码编辑边界、规范评估与模型晋升；在30个仓库级实现任务上成功率达96.7%，并在空气质量、墨尔本行人T33与钢铁工业三个真实预测案例中取得最低MSE，同时相比R&D-Agent降低token与API成本。EvoCast是一个全自主研究智能体系统，用于迭代式时间序列预测架构演化：它先建立并诊断任务专属基线，再依据数据集特征、诊断结果、历史轮次与失败记录生成有证据支撑的研究方向，由LLM智能体负责假设生成与代码实现，由确定性程序权威控制源码编辑边界、规范评估与模型晋升；在30个仓库级实现任务上成功率达96.7%，并在空气质量、墨尔本行人T33与钢铁工业三个真实预测案例中取得最低MSE，同时相比R&D-Agent降低token与API成本。