Tree Search Test-time Scaling Automated Scientific Coding Idea Bank
摘要

基于树搜索的LLM测试时扩展是自动化科学编码的有力工具,但纯树搜索在广阔的搜索空间中易陷入局部最优或无效循环。为此,我们提出“思想搜索”(Idea Search)框架,将动态“思想库”系统性地整合进树搜索中。该框架包含三个步骤:(1) 将现有方法分解为原子思想;(2) 从思想库中采样以指导代码变异分支;(3) 通过执行发现的新思想动态更新思想库。在单细胞RNA测序批次整合任务中,该方法有效突破了强基线的性能瓶颈,提升了平均得分并达到了最佳成绩。我们还分析了驱动这些增益的设计选择,如银行扩充有助于老虎机采样,而优先新思想的提示能揭示罕见的高性能解。

AI 推荐理由

论文核心在于改进Tree Search算法以优化任务规划,通过引入Idea Bank指导代码变异的分支探索,属于典型的规划能力增强研究。

研究机构
California Institute of Technology Google Research Google Research & Harvard University
论文信息
作者 Xuefei Julie Wang, Hao Cui, Michael P. Brenner, Subhashini Venugopalan
发布日期 2026-08-09
arXiv ID 2608.08958
相关性评分 9/10 (高度相关)