A-SR：通过分层协调实现自进化智能体LLM用于符号回归

A-SR是一个自进化的智能体框架，用于符号回归，通过分层协调将控制单元从表达式编辑转向角色条件证据视图。在LLM-SRBench的LSR-Synth领域，A-SR将Llama3.1-8B的Acc@0.01从25.79%提升至48.30%，A-SR-LoRA将Qwen3-4B的结果从24.58%提升至38.29%。在四个真实科学发现任务中，A-SR在8项指标中的7项上取得最佳归一化均方误差。

现有LLM引导的符号回归方法依赖统一的提议循环，将异构搜索失败压缩为标量分数和单一提示，限制了搜索效率。A-SR通过角色条件证据视图和在线评估器-奖励策略，将控制单元从表达式编辑转为角色条件证据，显著提升准确率（如Llama3.1-8B上Acc@0.01从25.79%升至48.30%），并能在真实科学任务中取得更优性能。

A-SR通过路由协调协议、在线评估器-奖励角色策略和状态路由过程记忆来协调公式发现。评估器反馈刻画可靠性和生产力，更新角色级效用，并将精英主题、失败轨迹和有效性诊断路由到不同智能体。框架在运行内无需更新LLM参数即可适应搜索过程，跨运行可将记录轨迹蒸馏为开源LLM的角色条件提议先验。

对于依赖符号回归的科学计算产品，A-SR可提高公式发现准确率（如Acc@0.01提升约22个百分点），减少人工调参需求。其跨运行蒸馏机制允许利用开源模型（如Llama3.1-8B）提升性能，可能降低对大规模专有模型API的依赖，从而降低推理成本。但需要评估其计算开销和工程集成复杂度。

• 在科学计算工具中集成A-SR框架，作为符号回归引擎，提升公式发现准确率和效率。
• 利用A-SR的跨运行蒸馏功能，将搜索过程提炼为开源模型的提示先验，降低对专有API的依赖。
• 开发基于A-SR的自动建模服务，面向科研用户提供高精度方程发现能力。

• A-SR在不同规模数据集上的泛化能力如何？
• A-SR的搜索机制在计算效率上相比基线是否有显著提升？
• 蒸馏后的开源模型效果是否稳定？
• A-SR是否适用于非数值型或高维数据？