Budget-Aware LLM Discovery via Cost-Calibrated Frontier Utility
CostAda 是一种成本校准的自适应控制器，基于成本校准的前沿效用（cost-calibrated frontier utility），在固定搜索侧 token 预算下，根据前沿进展与实现成本的比值以及剩余预算来调整局部探索强度、前沿分配和预算策略干预。实验表明，CostAda 在达到最强基线完整预算质量时，消耗的 token 更少。
发展脉络
- 首次出现Budget-Aware LLM Discovery via Cost-Calibrated Frontier UtilityarXiv cs.AI
- 当前判断该工作表明，LLM 推理时搜索的成本意识正从简单的预算截断转向细粒度的成本-收益权衡。这预示着未来 LLM 代理系统将更注重 token 经济性，可能推动成本感知的搜索算法成为标准组件。可验证的下一信号：是否有主流 LLM 平台或代理框架集成类似成本校准的搜索策略。Agent Pulse · 分析
论文《Budget-Aware LLM Discovery via Cost-Calibrated Frontier Utility》提出 CostAda，一种成本校准的自适应控制器，用于大语言模型在科学和算法发现中的推理时搜索。现有方法仅根据分数进展分配信用，忽略不同搜索动作（如提示长度、重试、指导调用）的 token 成本差异。论文证明，成本盲信用在前沿多样化和成本分化时，会丧失几乎所有可达到的质量。CostAda 通过成本校准的前沿效用，将前沿进展与实现成本关联，并根据剩余预算调整搜索策略。实验显示，CostAda 在达到最强基线完整预算质量时，消耗的 token 更少。
CostAda 的核心创新在于将 token 成本显式纳入搜索信用分配，通过成本校准的前沿效用动态调整探索强度、前沿分配和策略干预。这解决了现有方法在成本异构场景下的信用分配失效问题。可验证的下一信号：是否有后续工作将 CostAda 扩展到多步推理或工具调用场景，并量化成本节省。
该工作表明，LLM 推理时搜索的成本意识正从简单的预算截断转向细粒度的成本-收益权衡。这预示着未来 LLM 代理系统将更注重 token 经济性，可能推动成本感知的搜索算法成为标准组件。可验证的下一信号：是否有主流 LLM 平台或代理框架集成类似成本校准的搜索策略。
对于提供 LLM 推理服务的公司，CostAda 可直接降低搜索类任务的 token 消耗，从而降低运营成本。对于使用 LLM 进行自动化发现的客户，更高效的搜索意味着更快的迭代和更低的 API 费用。可验证的下一信号：是否有云服务商或 API 提供商推出基于成本校准搜索的定价或优化方案。
CostAda 为预算受限的 LLM 发现任务提供了更高效的搜索策略，未来可能应用于自动机器学习、药物发现等需要大量推理搜索的领域。可验证的下一信号：是否有研究将 CostAda 应用于实际科学发现任务（如蛋白质设计）并报告成本节省。