摘要由 AI 生成
研究人员利用大语言模型（LLM）迭代演化优化算法，而非直接求解，在 Packomania csqv 基准测试中显著提升了已知最佳圆半径和的最优解。该方法将 N 从 101 到 114 的 10 个已知最佳解决方案的性能分别提高了 2.4% 至 5.4%，整个过程耗时 15 次迭代，总 LLM 成本为 27.72 美元。在验证过程中，独立验证器对候选方案进行评分，保留改进案例并剔除失败案例。Packomania 已独立接受这些结果。相关论文发布于 arxiv.org/abs/2609.05093，代码及解决方案位于 github.com/ucsandman/discovery-loop，基准测试数据在 packomania.com/csqv/csqv.html。
关键实体KEY ENTITIES
Packomaniaarxiv.orggithub.comucsandman
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
- Packomania1
- arxiv.org1
- github.com1
- ucsandman1
全部报道（1）SOURCES
↗
作者利用大语言模型（LLM）迭代演化优化算法，而非直接求解打包问题。在 Packomania csqv 基准测试中，该方法将 N 从 101 到 114 的 10 个已知最佳圆半径和的最优解提升了 2.4% 至 5.4%，共耗时 15 次迭代。整个过程由独立验证器对候选方案进行评分，保留改进并剔除失败案例，总 LLM 成本为 27.72 美元。Packomania 已独立接受这些结果。相关论文发布于 arxiv.org/abs/2609.05093，代码及解决方案位于 github.com/ucsandman/discovery-loop，基准测试数据在 packomania.com/csqv/csqv.html。