AIM 把研究想法当作显式搜索对象：在 10 项 AutoLab 任务上平均分达 67.0% 与 55.8%，并以最多 3.1 倍更短墙钟时间追平最强基线

论文首次按“搜索的基本单元”把自动化研究划分为 solution-driven（直接在可执行实现上搜索）与 idea-driven（先显式选择研究方向再委托实现）两类，并指出后者面临三个核心挑战：想法管理脚手架、想法选择、想法—实现一致性。 此前工作多以列表、搜索树或 beam 保留等固定脚手架组织想法，选择规则也多为 UCB、MCTS 或直接依赖 LLM 判断；该工作把“想法管理”本身当作一个可自主、由证据驱动的设计问题，并明确命名了想法—实现一致性这一风险。 属于概念性分类与问题界定，论文以 Figure 1 与第 2 节相关工作对照支撑，未给出量化指标。

AIM 以 Agentic Surrogate 的 Organize/Estimate 算子把不断增长的想法池重建为语义簇并给出簇级与想法级的序数前景排序，再由 Agentic Acquisition 的 Dispatch 用两次 LLM 调用为每条分支联合指定簇级与想法级的 explore/exploit 动作。 与固定规则或直接 LLM 选候选不同，选择动作以显式的前景估计与实验证据为条件；消融显示去掉整个 Agentic Surrogate 后 Flash Attention 分数从 90.5 降至 85.9，去掉 Organize 为 89.0、去掉 Estimate 为 87.9，而基于通用嵌入的 K-means 聚类只有 83.4，直接预测原始分数为 89.3。 单任务（Flash Attention）消融，报告均值与标准误；论文另报告 Estimate 的簇级排序与实测排名呈正相关，平均约 0.5 量级（正文以区间形式给出）。

Solution Auditor 在结果进入搜索状态前检查实现是否忠实于所选想法、是否满足任务要求、是否利用验证器，对 trivial、task_mismatch、reward_hacking 结果予以丢弃，对 idea_mismatch 则重建想法并重新归属分数与经验。 这直接回应 idea-driven 范式特有的归因风险：若实现未忠实反映想法，分数与由此得到的经验会被错误归因；论文报告重建后 idea-mismatch 标记比例在各任务上大幅下降，并给出“代码依赖了想法本要避免的技术”等定性案例。 消融显示移除 Solution Auditor 后 Flash Attention 从 90.5 降至 87.9 附近（正文以括号给出具体值），并有标记比例前后对比图与定性案例支撑。

Resource Planner 在固定总分支与执行预算下动态决定每轮并行分支数，从而调节并行广度与顺序自适应之间的权衡；理论分析进一步给出语义覆盖的可达性命题与充分条件，说明当可行方向多而竞争方向稀疏时，更宽的语义覆盖更有价值。 论文把“何时该在想法层面搜索”形式化：Proposition 1 表明极端 idea-driven 过程的语义覆盖不低于任何至多评估相同数量可执行解的搜索过程，Proposition 2 给出达到目标成功概率所需的覆盖随有效语义宽度线性增长的充分条件。 理论部分给出假设、定义与证明（附录 F.2）；经验侧以 Gemini-Embedding-001 嵌入加二维 PCA 的凸包面积与平均成对余弦距离作为探索广度的粗略代理，Flash Attention 上 idea-driven 方法池更宽（AIM 0.1150、ScientistOne 0.1199，而 EvoX 仅 0.0153），Radix Sort 上差距缩小。

该结果面向在固定实验预算与可执行验证器下运行的自动化研究代理，适用于系统优化、模型开发与 CUDA 内核这类可反复编译、执行并打分的任务；对希望构建或评估研究代理的研究者与工程团队，它提供了一套可复用的组件划分：想法组织与前景估计、簇级与想法级的探索利用调度、实现一致性审计、以及并行分支预算分配。论文的定性示例与消融也说明，这套脚手架可与不同求解器搭配使用，例如把默认求解器替换为 Claude Code 后，AIM 在五个基准上仍与 ScientistOne 持平或更优。

理论分析依赖“忠实实现”等假设，论文自己也指出该假设略显理想化，实践中求解器可能产出不完整或不正确的实现，部分任务还需要大量实现层面的精修才能判断一个方向的价值；因此最优的语义探索与实现精修比例可能随任务而变，如何依据实现难度、求解器保真度与任务语义结构动态调整，论文将其列为未来方向。经验侧，探索广度以嵌入凸包面积与平均成对余弦距离作为粗略代理，Estimate 的排序相关性在 AES128-CTR 与 FFT 上并非单调改善，作者推测与多个簇期望性能接近或实现噪声有关。此外，AIM 在多数任务上需要更多执行次数才达到最佳分数，token 消耗也更大，论文将其描述为与最终性能之间的权衡；Data Select IFEval 上 AdaEvolve 仍高于 AIM，作者推测与该任务更利于平滑的局部搜索有关。本总结基于论文全文与首页证据包，未包含附录中未在正文呈现的完整数值表格。