EvoTreeNAD：面向 LLM 驱动神经架构发现的家谱引导进化方法

arXiv 论文提出 EvoTreeNAD，一种由家谱引导的进化算法，用于在无种子架构、无人工指定搜索空间的条件下自动发现神经网络架构。它从空根节点出发，用节点及其后代计算出的高分位数值选择谱系，由 Idea Agent 提出变体、Code Agent 实现，评估后的变体作为子节点加入家谱。在 CIFAR-10/100 上测试错误率为 2.05±0.06% 和 15.09±0.22%。

以往 LLM 驱动的架构搜索多依赖人工给定搜索空间或种子设计，迭代生成本身不保证累积进展。该工作把进化谱系作为持久记忆，让历史评估结果反过来指导后续探索方向，并给出随谱系增长的平稳变异机制分析，试图把开放式设计与昂贵实验的耦合变得可追踪。

机制上，每个已评估架构成为家谱节点，节点与其后代的 top-percentile 值用于谱系选择，使高奖励分支获得更多繁衍机会；Idea Agent 读取被选中设计历史提出变体，Code Agent 落地为可训练代码。理论上论证了随家谱增长存在平稳变异区间，并在给定变异假设下用持续的高分位家族值刻画生成高奖励架构的概率。

对研发流程意味着架构探索可不再从零设计搜索空间，评估结果能沉淀为可复用谱系记忆，降低无效试错和重复实验成本。但证据未给出搜索算力、单次评估成本或工程化吞吐数据，实际对成本与迭代速度的影响仍待验证。

• 将家谱式探索框架用于自有模型的结构自动搜索，并记录每次评估结果以复用历史选择信号
• 在内部 AutoML 或模型压缩流程中引入 Idea Agent 与 Code Agent 分工，把方案提出与代码实现拆成可审计步骤
• 围绕评估昂贵的场景，先复现 CIFAR-10/100 与 MedMNIST-v2 结果，再评估是否值得接入生产管线

• 论文摘要未完整给出 MedMNIST-v2 六个任务的具体指标，结论强度未知
• 未披露达到上述结果所需的评估次数、GPU 时长与总搜索成本
• 与对比的 NAS、NAD 基线在同等预算下是否可比尚不明确
• Code Agent 生成的架构代码是否经过正确性校验与可复现性验证未说明