@mylifcc: 重磅实验：让 LLM 当「优化代理」自动调度循环！ 刚读完这篇刚接受 PACT 2025 的论文：《Agentic Auto-Scheduling: An Experimental Study of LLM-Guided Loop Opt…
摘要
介绍一篇被PACT 2025接受的论文，提出了ComPilot框架，利用现成LLM作为优化代理，无需微调即可自动优化复杂循环嵌套，几何平均加速达3.54倍，超越SOTA Pluto。
查看缓存全文
缓存时间: 2026/06/28 18:12
重磅实验：让 LLM 当「优化代理」自动调度循环！ 刚读完这篇刚接受 PACT 2025 的论文：《Agentic Auto-Scheduling: An Experimental Study of LLM-Guided Loop Optimization》 核心贡献：提出 ComPilot 框架——零样本、无需微调的现成 LLM，通过与编译器闭环交互，自动优化复杂循环嵌套，几何平均加速可达 3.54×，甚至在多数 case 超越 SOTA Pluto！
这不是简单「让 LLM 写代码」，而是真正的 Agentic Auto-Scheduling 新范式。
相似文章
@vintcessun: 原来 LLM 还能自己写工作脚本，把任务拆给一群子代理并行干。 单个助手顺序思考，遇到代码库审计、大型重构这种活，要么慢，要么思路串。 pi-dynamic-workflows 让模型直接生成一段 JS 脚本，用 agent()、para…
介绍 pi-dynamic-workflows，一个让 LLM 通过生成 JavaScript 脚本动态编排多个子代理并行执行任务的工具，适用于代码审计、大型重构等场景。
用 LLM 优化 LLM：面向测试时扩展的智能体发现方法
本文提出了 AutoTTS，这是一种环境驱动的框架，通过将测试时扩展（TTS）策略的发现过程形式化为控制器合成，自动发现用于大型语言模型（LLM）的测试时扩展策略。该框架在数学推理基准测试上展示了更优的准确率-成本权衡，且计算开销极小。
AccelOpt：一种用于AI加速器内核优化的自我改进LLM智能体系统
AccelOpt是一种自我改进的LLM智能体系统，通过迭代生成和优化记忆自主优化AI加速器内核，在AWS Trainium上实现了49%至61%的峰值吞吐量提升，同时比Claude Sonnet 4便宜26倍。
AutoLLMResearch：通过从低成本学习来优化高成本，训练研究智能体以自动化大型语言模型实验配置
本文介绍了 AutoLLMResearch，这是一个智能体框架，旨在通过在低保真环境中学习并外推至高成本设置，实现昂贵的大型语言模型（LLM）实验配置的自动化。其目标是减少可扩展 LLM 研究中的计算浪费以及对专家直觉的依赖。
@Xudong07452910: 很多人用 AI coding 的默认习惯是：直接上最强模型。 同一个任务，Sonnet 做还是 Opus 做？大多数时候这个决策是拍脑袋的。 所以这篇 Agent-as-a-Router 提了一个很现实的问题： 如果不同模型擅长的任务不一…
这篇论文提出Agent-as-a-Router框架，将模型路由转化为动态循环过程，根据任务类型和实时执行反馈选择最合适的LLM，以提升编码任务的性能与成本效率。