EvoCast：用于迭代式预测架构演化的可靠自主研究智能体
TLDR
EvoCast通过认知-权威分离的自主研究智能体迭代演化预测架构，在三个真实案例中优于基线。
评分理由
The paper presents a novel system combining LLM-driven hypothesis generation with deterministic program authorities, enabling reliable autonomous architecture evolution. Its strengths include evidence-grounded iterative refinement and real-world evaluation, but the abstract provides limited details on baseline comparisons and generalizability beyond forecasting.
Read-first 评分解释
综合优先阅读分 76.8，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 64。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：40。
关键词评分
深度分析
创新点
- EvoCast：一个用于迭代式预测架构演化的全自主研究智能体系统。
- 认知-权威分离：LLM智能体负责开放式假设生成与代码实现，确定性程序权威控制源码编辑边界、规范评估和晋升决策。
- 基于证据的研究方向生成：利用数据集特征、诊断结果、先前轮次和失败记录。
- 通过执行的机制消融建立并诊断任务特定基线，实验结果作为证据积累以指导后续轮次。
方法
EvoCast首先通过执行的机制消融建立并诊断任务特定基线，然后基于数据集特征、诊断结果、先前轮次和失败记录迭代生成有证据支持的研究方向。其设计将认知（LLM智能体负责假设生成与代码实现）与权威（确定性程序权威负责源码编辑边界、规范评估和晋升决策）分离。在三个真实世界预测案例中，对照选定基线、强预测模型和智能体基线进行评估，衡量实现成功率、智能体端token/时间成本和预测性能。
关键结果
EvoCast能以更高的实现成功率和更低的智能体端token/时间成本完成复杂架构修改，并在三个真实世界预测案例中开发出优于选定基线、强预测模型和智能体基线的任务特定架构。