# LightGBM

TokenCast 为 LLM 智能体的每个执行分段学习一个可组合的成本三元组（调用次数、净输入长度变化、成本残差），通过精确的组合恒等式把早期上下文被后续每次调用重复计费的成本纳入累计预测，并在执行过程中用新观测刷新预测而无需额外 LLM 调用；在 SWE-bench Verified 上平均累计预测耗时 32.8 ms 每次运行，在 4 个任务套件与 6 个智能体模型共 96 组评估中相对最强对比方法的平均绝对误差平均降低 14.5%，离线预算控制回放中在相同轨迹完成率下比固定预算策略平均少用 21.3% 的 token。

TokenCast 为 LLM 智能体的每个执行分段学习一个可组合的成本三元组（调用次数、净输入长度变化、成本残差），通过精确的组合恒等式把早期上下文被后续每次调用重复计费的成本纳入累计预测，并在执行过程中用新观测刷新预测而无需额外 LLM 调用；在 SWE-bench Verified 上平均累计预测耗时 32.8 ms 每次运行，在 4 个任务套件与 6 个智能体模型共 96 组评估中相对最强对比方法的平均绝对误差平均降低 14.5%，离线预算控制回放中在相同轨迹完成率下比固定预算策略平均少用 21.3% 的 token。

研究者为加州构建了一个物理约束的农药暴露筛选模型：用基于土壤半衰期的一阶衰减命运指数驱动LightGBM，从2016至2023年公共农业、气象与化学品属性数据预测县级逐周农药施用，并用554个加州监测站、3924次美国地质调查局溪流实测（未参与训练）验证暴露指数，结果显示两种最常监测化学品相关性显著（马拉硫磷ρ=0.51，p<10⁻⁶；异丙甲草胺ρ=0.28，p<10⁻⁸），十四种化学品合并后相关性偏弱，施用模型在空间（R²=0.64）与时间（R²=0.89）上泛化较好、对全新化学品泛化较差（R²=0.32），加入人工整理化学品描述符反而使该任务变差，基于加州气候评估升温情景的敏感性分析提示本

研究者为加州构建了一个物理约束的农药暴露筛选模型：用基于土壤半衰期的一阶衰减命运指数驱动LightGBM，从2016至2023年公共农业、气象与化学品属性数据预测县级逐周农药施用，并用554个加州监测站、3924次美国地质调查局溪流实测（未参与训练）验证暴露指数，结果显示两种最常监测化学品相关性显著（马拉硫磷ρ=0.51，p<10⁻⁶；异丙甲草胺ρ=0.28，p<10⁻⁸），十四种化学品合并后相关性偏弱，施用模型在空间（R²=0.64）与时间（R²=0.89）上泛化较好、对全新化学品泛化较差（R²=0.32），加入人工整理化学品描述符反而使该任务变差，基于加州气候评估升温情景的敏感性分析提示本