智能AI
morning
WMLLM：通过“预测然后行动”世界建模实现自我进化优化代理
摘要
arXiv:2609.01608v1 Announce Type: new Abstract: Black-box optimization problems remain challenging because of large, weakly structured, and high-dimensional search spaces. Existing methods often suffe...
optimization
and
search
WMLLM
because
efficiency
world
the
multi
box
2026-09-03
1 阅读
约1分钟阅读
Zhongzheng Li, Qingsong Ran, Shikun Feng, Nian Ran, Wenhao Li, Xiaoyuan Zhang, Yue Wang, Xiaoguang Zhao
字号:
arXiv:2609.01608v1 公告类型：新 摘要：由于搜索空间庞大、结构弱且高维，黑盒优化问题仍然具有挑战性。现有方法常常面临样本效率低下的问题，因为它们依赖于直接候选生成或试错细化。提高搜索效率的一种自然方法是使用世界建模，这可以帮助在进行昂贵的评估之前确定有希望的优化方向。由于其隐含知识，大型语言模型可以非常准确地预测这些候选人的结果。受这一观察的启发，我们提出了 WMLLM，一种基于预测然后行动世界建模的自我进化优化代理框架。代理首先预测有希望的方向，然后采取行动生成候选方向。结合代理多轮细化、基于群体的搜索和强化学习，WMLLM 细化了其隐式世界模型及其在搜索过程中的优化策略。黑盒优化任务，特别是多目标分子优化的实验表明，WMLLM 提高了样本效率和最终优化性能。在多目标分子优化基准上，WMLLM 在有限的评估预算下取得了最先进的结果。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱