AutoLLMResearch：训练研究智能体自动化 LLM 实验配置——从廉价中学习，优化昂贵

有效配置大规模语言模型（LLM）实验对推进研究至关重要，但高昂成本限制了传统试错法的应用。针对这一空白，本文提出 AutoLLMResearch，一个模拟人类研究者行为的智能体框架。该框架使智能体能在多保真度环境中交互，从低成本低精度实验中学习通用原则，并将其外推至高精度昂贵场景以识别最优配置。系统包含 LLMConfig-Gym 环境及基于长视野马尔可夫决策过程的训练流程，旨在激励跨保真度的推理与自我改进能力。