AgentNAS：大模型出图纸，搜索干粗活
神经架构搜索（NAS）当年是怎么凉的？死于一个劳动力问题：搜索开始之前，得先有人手工设计搜索空间，而这个人是最贵的专家。AgentNAS（arXiv 2607.07984，7 月 8 日）重新分了工。LLM 先为任务设计一个高质量的种子架构；系统把种子拆解成一个带命名可替换模块槽位的脚手架；然后经典 NAS 在这些槽位的组合空间里干粗活。模型出品味，搜索出蛮力。
结果配得上关注：17 个任务里 11 个 SOTA，横跨分类、分割、回归、打标。两个发现最扎眼。一，LLM 生成的种子在还没开始搜索时就已经打赢了大多数已发表的 baseline。二，搜索在种子之上还能继续涨分——因为跨槽位重组探索到的空间，是反复采样 LLM 永远到不了的。而且换了三个能力档次不同的 LLM 结论都成立，说明有效的是配方，不是某个模型走运。代码已开源。
更大的线索：这又是一例「模型设计系统」。我们已经看过 agent 优化内核、演化训练配方、重写自己的 harness，现在轮到手工搜索空间——当年杀死 NAS 的那个真正瓶颈——变成了生成出来的产物。所有还卡在「得请专家来定义空间」的领域，都该看一眼这篇。
论文：https://arxiv.org/abs/2607.07984
代码：https://github.com/alroimfebruary/AgentNAS
← 返回所有文章
结果配得上关注：17 个任务里 11 个 SOTA，横跨分类、分割、回归、打标。两个发现最扎眼。一，LLM 生成的种子在还没开始搜索时就已经打赢了大多数已发表的 baseline。二，搜索在种子之上还能继续涨分——因为跨槽位重组探索到的空间，是反复采样 LLM 永远到不了的。而且换了三个能力档次不同的 LLM 结论都成立，说明有效的是配方，不是某个模型走运。代码已开源。
更大的线索：这又是一例「模型设计系统」。我们已经看过 agent 优化内核、演化训练配方、重写自己的 harness，现在轮到手工搜索空间——当年杀死 NAS 的那个真正瓶颈——变成了生成出来的产物。所有还卡在「得请专家来定义空间」的领域，都该看一眼这篇。
论文：https://arxiv.org/abs/2607.07984
代码：https://github.com/alroimfebruary/AgentNAS
评论