论文页面 - 深入探究 Agentic BBO：面向黑盒优化的 LLM 智能体基准评测

来源：https://huggingface.co/papers/2610.12183

作者：

,

,

,

,

,

,

,

,

,

,

摘要

黑盒优化（Black-Box Optimization, BBO）广泛存在于众多科学与工程问题中，这些场景中目标函数的评估代价高昂且机会有限。近期，大语言模型（LLM）智能体为 BBO 提供了一种新的方法，通过将任务语义、计算、优化工具与反馈驱动的决策相结合，凭借与数学严谨工具的集成展现出巨大潜力。然而，现有的 agentic BBO 研究采用了不同的任务领域和系统配置，使得其结果难以横向比较，也难以分离各个设计选择的独立影响。为此，我们提出了 Agentic BBO-Bench——一个跨领域的 agentic BBO 基准，涵盖合成函数、超参数优化、数据库调优、芯片设计和分子设计等五个领域，并在统一的有限预算评估协议下进行评测。在我们的实验中，agentic BBO 在全部五个领域的族平均得分均高于直接基于 LLM 的方法，并在其中四个领域超越了最优的传统数值优化器。我们进一步研究了影响智能体性能的三个因素：优化工具、任务信息与先验知识，以及 LLM 在搜索过程中的角色。我们的结果表明，额外的数值工具并不能一致地提升性能；任务语义被广泛利用，而更具体的先验知识则不够可靠；数值优化器可以有效地吸收由智能体建立的搜索轨迹所带来的收益。最后，我们在 Agentic BBO-Bench 中引入了一个五任务的前沿挑战，并在 Codex 智能体框架下评测了七个 LLM，其中 GPT-6Astra 和 DeepSeek-V4.1-Flash 在性能与成本之间处于所有被评测模型的帕累托前沿。我们的代码已开源：https://github.com/lamda-bbo/agentic-bbo。

查看 arXiv 页面 (https://arxiv.org/abs/2610.12183)　查看 PDF (https://arxiv.org/pdf/2610.12183)　GitHub1 (https://github.com/lamda-bbo/agentic-bbo)　加入收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2610.12183)

在你的智能体中获取此论文：

hf papers read 2610.12183

还没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型：0

暂无模型关联此论文。

在模型 README.md 中引用 arxiv.org/abs/2610.12183，即可从此页面链接该论文。

引用此论文的数据集：0

暂无数据集关联此论文。

在数据集 README.md 中引用 arxiv.org/abs/2610.12183，即可从此页面链接该论文。

引用此论文的 Space：0

暂无 Space 关联此论文。

在 Space README.md 中引用 arxiv.org/abs/2610.12183，即可从此页面链接该论文。

包含此论文的收藏集：0

暂无收藏集包含此论文。

将此论文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面链接它。