โมเดลภาษาขนาดใหญ่ค้นพบการวิเคราะห์พฤติกรรมเสริมสำหรับการเพิ่มประสิทธิภาพเชิงผสม – Nature Machine Intelligence

จัมเปอร์เจและคณะ การทำนายโครงสร้างโปรตีนที่แม่นยำสูงด้วย AlphaFold ธรรมชาติ 596583–589 (2021)

บทความ Google Scholar

เจิ้ง, วาย. และคณะ แบบจำลองทางภาษาที่ยอดเยี่ยมสำหรับความก้าวหน้าทางวิทยาศาสตร์ในการทำนายคุณสมบัติของโมเลกุล แนท. มัค อินเทล 7437–447 (2025)

บทความ Google Scholar

Trinh, T.H., Wu, Y., Le, Q.V., He, H. & Luong, T. การแก้เรขาคณิตโอลิมปิกโดยไม่ต้องสาธิตโดยมนุษย์ ธรรมชาติ 625476–482 (2024)

บทความ Google Scholar

Romera-Paredes, B. และคณะ การค้นพบทางคณิตศาสตร์จากการวิจัยโปรแกรมที่มีแบบจำลองภาษาขนาดใหญ่ ธรรมชาติ 625468–475 (2024)

บทความ Google Scholar

โอ้ เจ และคณะ ค้นพบอัลกอริธึมการเรียนรู้การเสริมกำลังที่ล้ำสมัย ธรรมชาติ 648312–319 (2025)

บทความ Google Scholar

Luo, X. และคณะ แบบจำลองภาษาขนาดใหญ่มีประสิทธิภาพเหนือกว่าผู้เชี่ยวชาญของมนุษย์ในการทำนายผลลัพธ์ทางประสาทวิทยาศาสตร์ แนท. บัซ. ประพฤติตน. 9305–315 (2025)

บทความ Google Scholar

Bengio, Y., Lodi, A. & Prouvost, A. การเรียนรู้ของเครื่องเพื่อการเพิ่มประสิทธิภาพเชิงผสมผสาน: ทัวร์ชมระเบียบวิธีแห่งขอบฟ้า ยูโร เจ.โอเปร่า. ความละเอียด 290405–421 (2021)

บทความ Google Scholar

Schuetz, MJ, Brubaker, JK & Katzgraber, HG Combinatorial Optimization พร้อมเครือข่ายประสาทกราฟิกที่ได้รับแรงบันดาลใจจากฟิสิกส์ แนท. มัค อินเทล 4367–377 (2022)

บทความ Google Scholar

คาลินิน, KP และคณะ คอมพิวเตอร์ออปติคัลแบบอะนาล็อกสำหรับการอนุมาน AI และการเพิ่มประสิทธิภาพเชิงผสม ธรรมชาติ 645354–361 (2025)

บทความ Google Scholar

เซิน, Z.-S. และอื่น ๆ เครื่องจักรพลังงานฟรีสำหรับการเพิ่มประสิทธิภาพเชิงผสม แนท. คอมพิวเตอร์ ศาสตร์. 5322–332 (2025)

บทความ Google Scholar

Wei, Y. และคณะ การเพิ่มประสิทธิภาพเชิงลึกสำหรับระบบที่ซับซ้อน แนท. คอมพิวเตอร์ ศาสตร์. 5801–812 (2025)

บทความ Google Scholar

Power, DJ & Sharda, R. ระบบสนับสนุนการตัดสินใจที่ขับเคลื่อนด้วยแบบจำลอง: แนวคิดและทิศทางการวิจัย การตัดสินใจ. ระบบรองรับ. 431044–1061 (2007)

บทความ Google Scholar

เบิร์ก, อี.เค. และคณะ Hyperheuristics: การสำรวจความทันสมัย เจ.โอเปร่า. ความรับผิดชอบต่อสังคม 64ค.ศ. 1695–1724 (2013)

บทความ Google Scholar

หลิว เอฟ และคณะ การเรียนรู้แบบมัลติทาสก์สำหรับปัญหาการกำหนดเส้นทางโดยภาพรวมของปัญหาเป็นศูนย์ ใน กระบวนการ. การประชุม ACM SIGKDD ครั้งที่ 30 เรื่องการค้นพบความรู้และการขุดข้อมูล พ.ศ. 2441–2451 (สมาคมเครื่องจักรคอมพิวเตอร์, 2567)

แบร์โต เอฟ และคณะ RouteFinder: มุ่งสู่โมเดลพื้นฐานสำหรับปัญหาการกำหนดเส้นทางยานพาหนะ ทรานส์ มัค เรียนรู้. ความละเอียด 20251–41 (2025)

Google Scholar

Heydaribeni, N. , Zhan, X. , Zhang, R. , Eliassi-Rad, T. & Koushanfar, F. การเพิ่มประสิทธิภาพแบบรวมที่มีข้อ จำกัด แบบกระจายซึ่งใช้ประโยชน์จากเครือข่ายประสาทเทียมแบบไฮเปอร์กราฟ แนท. มัค อินเทล 6664–672 (2024)

บทความ Google Scholar

Da Ros, F. , Soprano, M. , Di Gaspero, L. & Roitero, K. โมเดลภาษาขนาดใหญ่สำหรับการเพิ่มประสิทธิภาพเชิงรวม: การทบทวนอย่างเป็นระบบ เอซีเอ็มคอมพิวเตอร์ รอดชีวิต. 581–53 (2026)

บทความ Google Scholar

หลี่ เอ็กซ์ และคณะ รายงานการใช้ซ้ำ: กลยุทธ์แบบกระจายสำหรับการแก้ปัญหาการเพิ่มประสิทธิภาพเชิงผสมผสานด้วยโครงข่ายประสาทเทียมแบบไฮเปอร์กราฟ แนท. มัค อินเทล 7พ.ศ. 2413–2421 (2568)

บทความ Google Scholar

เซียว ซี และคณะ กฎหมายความหนาแน่นของ LLM แนท. มัค อินเทล 7ค.ศ. 1823–1833 (2025)

บทความ Google Scholar

เฉิน เอ็ม และคณะ การประเมินโมเดลภาษาที่ใช้โค้ดขนาดใหญ่ ก่อนพิมพ์ (2021)

หลิว เอฟ และคณะ วิวัฒนาการของการวิเคราะห์พฤติกรรม: สู่การออกแบบอัลกอริทึมอัตโนมัติที่มีประสิทธิภาพโดยใช้แบบจำลองภาษาขนาดใหญ่ ใน กระบวนการ. การประชุมนานาชาติเรื่อง Machine Learning ครั้งที่ 41 (สหพันธ์ Salakhutdinov, R. et al.) 32201–32223 (PMLR, 2024)

ใช่ H. และคณะ ReEvo: โมเดลภาษาขนาดใหญ่เป็นไฮเปอร์ฮิวริสติกพร้อมวิวัฒนาการแบบสะท้อนกลับ อ. ข้อมูล ประสาท กระบวนการ. ระบบ. 3743571–43608 (2024)

บทความ Google Scholar

Yang, X., Zhang, L., Qian, H., Song, L. & Bian, J. HeurAgenix: ใช้ประโยชน์จาก LLM เพื่อแก้ปัญหาความท้าทายในการเพิ่มประสิทธิภาพเชิงผสมที่ซับซ้อน ก่อนพิมพ์ (2025)

โนวิคอฟ, เอ. และคณะ AlphaEvolve: เอเจนต์การเข้ารหัสสำหรับการค้นพบทางวิทยาศาสตร์และอัลกอริทึม ก่อนพิมพ์ (2025)

Feng, S., Sun, W., Li, S., Talwalkar, A. & Yang, Y. FrontierCO: การประเมินในโลกแห่งความเป็นจริงในวงกว้างของตัวแก้การเรียนรู้ของเครื่องเพื่อการเพิ่มประสิทธิภาพเชิงผสมผสาน ก่อนพิมพ์ (2025)

ตรัน, ก.-ท. และอื่น ๆ กลไกการทำงานร่วมกันหลายตัวแทน: การสำรวจ LLM ก่อนพิมพ์ (2025)

Zhang, N., Cao, Z., Zhou, J., Zhang, C. & Ong, Y.-S. กรอบการทำงานของหน่วยงานที่มี LLM เพื่อแก้ไขปัญหาการกำหนดเส้นทางยานพาหนะที่ซับซ้อน ก่อนพิมพ์ (2026)

หลี่ อ. และคณะ ตัวแทนเอฟเอ็ม ก่อนพิมพ์ (2025)

Liu, F., Liu, Y., Zhang, Q., Tong, X. & Yuan, M. EoH-S: วิวัฒนาการของชุดการศึกษาสำนึกโดยใช้ LLM สำหรับการออกแบบการศึกษาสำนึกอัตโนมัติ กระบวนการ. การประชุม AAAI. สิ่งประดิษฐ์ อินเทล 4037090–37098 (2026)

Google Scholar

Sun, W., Feng, S., Li, S. & Yang, Y. CO-Bench: ตัวแทนโมเดลภาษาเปรียบเทียบในการค้นหาอัลกอริธึมสำหรับการเพิ่มประสิทธิภาพเชิงผสมผสาน กระบวนการ. การประชุม AAAI. สิ่งประดิษฐ์ อินเทล 4033126–33134 (2026)

Google Scholar

Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K. & Yao, S. Reflection: ตัวแทนภาษาที่มีการเรียนรู้เสริมด้วยวาจา อ. ข้อมูล ประสาท กระบวนการ. ระบบ. 368634–8652 (2023)

บทความ Google Scholar

ชิค ที. และคณะ Toolformer: โมเดลภาษาสามารถสอนตัวเองให้ใช้เครื่องมือได้ อ. ข้อมูล ประสาท กระบวนการ. ระบบ. 3668539–68551 (2023)

บทความ Google Scholar

ฉิน Y. และคณะ เครื่องมือการเรียนรู้พร้อมโมเดลพื้นฐาน เอซีเอ็มคอมพิวเตอร์ รอดชีวิต. 571–40 (2024)

บทความ Google Scholar

Imajuku, Y. และคณะ ALE-Bench: เกณฑ์มาตรฐานสำหรับวิศวกรรมอัลกอริทึมที่มุ่งเน้นเป้าหมายระยะยาว อ. ข้อมูล ประสาท กระบวนการ. ระบบ. 38173630–173675 (2025)

บทความ Google Scholar

กง, เอช, วัง, เอส., ซ่ง, ดี., เชอ, เจ.-บี. & Yan, R. LACE: การสร้างอัลกอริทึมที่ขับเคลื่อนด้วย LLM ผ่านการวิวัฒนาการเสริมสำหรับการเพิ่มประสิทธิภาพเชิงผสมผสาน เซโนโด (2026)