A Multi-Agent LLM System for Automated Tuning of Specialized Neural Network Models
面向专用神经网络自动调参的多智能体 LLM 系统
🧭 多智能体 LLM · 自动调参
National Research Centre “Kurchatov Institute”, Moscow, Russia · National Research Nuclear University MEPhI, Moscow, Russia · Moscow Institute of Physics and Technology, Dolgoprudny, Russia · Harbin Institute of Technology, Harbin, China
多智能体 LLM 框架用分析师/编码员/记录员三角色在受限语义空间内调优专用神经网络组件，在 SNN 和 PINN 任务上大幅超越基线
📌 工作参考价值（4 点）
- 组件级代码生成：不优化整个 ML 脚本，只让 LLM 改指定的功能组件（如个性化模块、损失权重、特征交叉），保持主网络结构不变，可降低线上模型迭代风险，适合电商推荐模型的快速调优。
- 多角色 + 沙箱 + 实验日志：分析师、编码员、记录员分工明确，配合 sandbox 执行和完整日志，能构建可信的自动实验流水线；可用于超参数搜索、训练策略调优或模型结构微调。
- 弱模型对详细提示更敏感：在成本受限无法用顶级 LLM 时，可优先投资详细的 prompt 设计，而非盲目换更大模型。
- 跨任务通用性：同一框架在分类和 PDE 求解上都有效，提示多智能体自动调参有潜力迁移到推荐系统多任务学习权重、损失平衡等场景。