arXiv来源发表:
同一个LLM智能体框架不改内部结构，在脉冲分类与偏微分方程求解五类任务上超过基线
导语
一个由分析、编码、记录三个角色组成的LLM智能体框架，只改网络中被指定的功能模块而不动整体结构，在脉冲神经网络分类和物理信息神经网络求解偏微分方程两类任务上均超过基线。
正文
同一套多智能体LLM框架在五类任务上超过基线，且内部结构不变。 此前这类关键模块的选择通常由人工完成，缺少统一的自动调优流程。 MNIST准确率从79.88%升到92.83%，digits从90.83%升到96.67%；单孤子问题相对误差降低约2491倍，含高斯扰动的GNLSE守恒误差降低约325倍，KS问题质量漂移降低14倍。
框架把假设生成、代码实现和实验记录拆成三个LLM角色，用沙箱执行和实验日志闭环。 已有系统要么优化整个ML脚本，要么从文本描述构建网络，而不是只改固定架构中的指定模块。 分析员提出假设并写成技术规格，编码员按软件契约生成Python代码，沙箱先做功能测试再评估，记录员把结果写入JSON日志作为外部记忆。
接下来
该框架面向固定架构、只允许修改指定功能模块的场景，读者是希望自动调优专用神经网络模块的研究人员和工程师。作者提出后续方向：提高PINN问题复杂度、联合调优多个模块、以及构建考虑神经形态系统约束的模型。
搜索空间受限于固定的可编辑模块目录，超出目录的结构性改动无法被发现；实验日志是扁平的时间顺序记录，不含假设依赖图；所有运行受迭代次数上限约束，报告值可视为下界；最昂贵的配置只报告单种子；两个模型依赖商业API，其可用性和定价可能变化；未与LLM驱动的NAS基线做直接对比。