构建AI研究团队以实现线性注意力架构的自主发现
TLDR
本文组建具备多样专长、自适应分配与共享证据的持久AI团队，自主发现线性注意力架构，1.3B规模超越GDN2。
评分理由
The paper presents a novel organizational design for AI research teams and provides empirical validation with ablations, which is a strength. However, the abstract is truncated and evidence is limited to linear attention architecture search, so broader applicability and exact real-world evaluation details remain unclear.
Read-first 评分解释
综合优先阅读分 61，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 74。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：62。
关键词评分
深度分析
创新点
- 构建由具有不同学科专长的智能体组成的AI研究团队，鼓励正交探索并避免陷入局部最小值
- 持久化AI研究人员拥有私有研究历史以塑造个体进展，同时共享实验证据
- 自适应分配研究机会，在有限实验预算下平衡探索与利用
- 在搜索线性注意力架构中展示了该团队设计的有效性，在1.3B规模的语言建模、推理和检索任务上超越GDN2
方法
作者构建了一个由持久化AI研究人员组成的团队，每个成员扎根于不同学科；智能体保留私有研究历史、共享实验证据，并通过自适应分配获得研究机会。该团队被用于搜索线性注意力架构，并在1.3B规模的语言建模、常识推理以及合成和真实检索任务上与GDN2进行比较评估。受控消融分别移除学科背景、私有历史或自适应分配，以评估各组件的作用。
关键结果
完整团队在1.3B规模的语言建模、常识推理以及合成和真实检索任务上优于GDN2。移除任何单一组织组件都会削弱发现结果：没有学科背景时搜索提前停滞，没有私有历史时进展减少，而在相同预算下均匀选择不如自适应分配。