精选理由
这篇论文告诉你LLM不仅能写代码，还能帮你自动改进神经网络架构，效果比瞎试好得多，尤其适合有相似模型族的情况。
该论文提出一种源引导的候选生成协议，利用同族强源模型指导弱目标模型的神经网络修改，避免无效生成。在CIFAR-10上，源引导候选达到0.5049准确率，优于非源候选的0.2398，提升弱目标（原0.1254）0.2651；五轮检查后保持0.7686 vs 0.4839。在SVHN AlexNet上使用DeepSeek-Coder-6.7B，源引导迁移达0.7880 vs 0.2254，重复实验达0.8069 vs 0.2509。直接复制源配置仅得0.1959，表明LLM适应而非复制。家庭级分析显示AlexNet家族6/8胜，alt_nn1家族8/10胜。
AI 翻译 · 中文
该论文提出一种源引导的候选生成协议，利用同族强源模型指导弱目标模型的神经网络修改，避免无效生成。在CIFAR-10上，源引导候选达到0.5049准确率，优于非源候选的0.2398，提升弱目标（原0.1254）0.2651；五轮检查后保持0.7686 vs 0.4839。在SVHN AlexNet上使用DeepSeek-Coder-6.7B，源引导迁移达0.7880 vs 0.2254，重复实验达0.8069 vs 0.2509。直接复制源配置仅得0.1959，表明LLM适应而非复制。家庭级分析显示AlexNet家族6/8胜，alt_nn1家族8/10胜。
Large language models (LLMs) can generate neural-network modifications, but unrestricted generation is often invalid or harmful. This paper studies a narrower setting: improving a weak target model using a stronger same-…