摘要由 AI 生成
GLOW 提出一种结合图神经网络（GNN）与大型语言模型（LLM）的统一框架，旨在预测智能代理工作流的性能。该框架通过指令微调构建面向图的 LLM 以提取拓扑感知语义表示，同时利用 GNN 建模结构信息，并在共享潜在空间中进行融合及对比学习优化。在 FLORA-Bench 基准测试中，GLOW 在预测准确性和排序效用方面均优于现有最先进基线。当将该框架集成到自动工作流生成框架 AFLOW 时，系统优化时间减少了 98.7%，且平均得分仅下降 0.031，展现出高效的代理评估器效果。
关键实体KEY ENTITIES
AFLOWFLORA-BenchGLOW
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- GLOW1
- AFLOW1
- FLORA-Bench1
全部报道（1）SOURCES
↗
GLOW 提出一种结合图神经网络与大型语言模型的统一框架，用于预测智能工作流性能。该框架通过指令微调构建面向图的 LLM 以提取拓扑感知语义表示，同时利用 GNN 建模结构信息，并在共享潜在空间中进行融合及对比学习优化。在 FLORA-Bench 基准测试中，GLOW 在预测准确性和排序效用方面均优于现有最先进基线。当集成到自动工作流生成框架 AFLOW 时，GLOW 将优化时间减少 98.7%，且平均得分仅下降 0.031，展现出高效的代理评估器效果。