ExpEvolve：面向开放式发现的经验结构化与复用
TLDR
ExpEvolve 将思想级提取引入进化LLM智能体，提升开放式数学和ML任务的样本效率与最终性能。
评分理由
The paper presents a clear contribution with theoretical conditions and empirical gains across multiple math tasks and LLMs. However, the abstract lacks discussion of limitations or baseline comparisons, and the available evidence is based on benchmark summaries rather than detailed experimental results.
Read-first 评分解释
综合优先阅读分 53，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
前沿论文
排序敏感性
稳定性：volatile；排名波动范围：93。
关键词评分
深度分析
创新点
- 将思想级提取与控制引入进化编码智能体，提出 ExpEvolve。
- 发现并利用程序中解释不同程序得分差异的高层因素。
- 刻画了利用思想因素进行发现提高样本效率的理论条件。
- 构建实用框架，利用提取的高层思想因素在发现陷入平台期时指导从经验的利用与探索。
方法
ExpEvolve 扩展了进化编码智能体：它从程序中提取能解释得分差异的高层思想因素，并利用这些因素指导利用与探索。研究在 11 个开放式数学任务上评估，并在 4 个其他 LLM 和 MLS-Bench 的 6 个机器学习任务上进行迁移实验。工作包含样本效率的理论分析，以及测量最终性能和样本效率的实证比较。
关键结果
ExpEvolve 在 11 个开放式数学任务上将最终性能和样本效率显著提升，最高达 5.0 倍。改进还可迁移到 4 个其他 LLM 与 MLS-Bench 的 6 个机器学习任务；分析表明，发现的思想级因素带来了更好的探索与利用。