LLMZero：通过 LLM Agent 发现用于强化学习后训练的自适应训练策略

强化学习后训练策略通常依赖数据集，且呈现经验规律：容量参数单调累积，而正则化参数随训练动态振荡。固定调度无法适应这种非平稳的探索 - 利用权衡。本文提出 LLMZero 系统，利用 LLM Agent 通过树搜索遍历训练轨迹，诊断检查点问题并提出多参数协同调整方案。在四项 GRPO 任务中，LLMZero 发现的策略相比基线模型提升 9% 至 140%，优于网格搜索，并揭示了跨任务通用的结构原则。