A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination
A-SR 是一个自进化 agentic 框架，用于符号回归，通过角色条件证据视图协调公式发现。在 LLM-SRBench 的四个 LSR-Synth 科学领域，A-SR 使用 Llama3.1-8B 将 Acc@0.01 从 25.79% 提升到 48.30%，A-SR-LoRA 使用 Qwen3-4B 从 24.58% 提升到 38.29%。
发展脉络
- 首次出现A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical CoordinationarXiv cs.CL
- 当前判断A-SR 展示了 agentic 框架在科学发现中的潜力，通过自进化机制提高符号回归的准确性。这表明 LLM 引导的搜索方法可以通过角色条件证据视图和分层协调来改进，可能影响科学计算和自动化建模领域。Agent Pulse · 分析
A-SR 是一个自进化的 agentic 框架，用于符号回归，通过角色条件证据视图协调公式发现。它通过协调协议路由、在线评估器-奖励角色策略和状态路由过程记忆来协调公式发现。评估器反馈表征可靠性和生产力，更新角色级效用，并将精英主题、失败轨迹和有效性诊断路由到不同代理。该框架在两次时间尺度上自进化：在运行内，它适应搜索过程而不更新 LLM 参数；跨运行，记录轨迹可蒸馏到开源 LLM 作为角色条件提议先验。在 LLM-SRBench 的四个 LSR-Synth 科学领域，A-SR 使用 Llama3.1-8B 将 Acc@0.01 从 25.79% 提升到 48.30%，A-SR-LoRA 使用 Qwen3-4B 从 24.58% 提升到 38.29%。
A-SR 将控制单元从表达式编辑转移到角色条件证据视图，通过路由协调协议、在线评估器-奖励角色策略和状态路由过程记忆来协调公式发现。评估器反馈表征可靠性和生产力，更新角色级效用，并将精英主题、失败轨迹和有效性诊断路由到不同代理。框架在运行内适应搜索过程而不更新 LLM 参数，跨运行将记录轨迹蒸馏到开源 LLM 作为角色条件提议先验。
A-SR 展示了 agentic 框架在科学发现中的潜力，通过自进化机制提高符号回归的准确性。这表明 LLM 引导的搜索方法可以通过角色条件证据视图和分层协调来改进，可能影响科学计算和自动化建模领域。
A-SR 可能为科学计算和数据分析工具提供更准确的符号回归能力，从而加速科学发现和工程建模。对于提供 AI 驱动科学发现平台的公司，这可能带来竞争优势。
A-SR 的跨运行蒸馏机制可能使开源 LLM 获得角色条件提议先验，未来可能提高符号回归的效率和准确性。可验证的下一信号包括在更多科学领域或更大模型上的应用，以及蒸馏模型的实际性能。