自动搜索TTS策略，零LLM调用
推荐指数 69.0 NO. 004 · 2026.05.17
Stars102创建6 天前Forks9Issues1
为什么值得看
AutoTTS用编码代理在离线回放环境中自动搜索测试时缩放策略，无需梯度更新和LLM在线调用。对需要优化推理成本又受限于手工设计启发式的团队，这提供了一条可复现、可自动化的替代路径。
The offical repo for "LLMs Improving LLMs: Agentic Discovery for Test-Time Scaling"
媒体预览
编辑判断
TTS（Test-Time Scaling）领域目前的主流做法是人工设计投票、树搜索或过程奖励等启发式策略，比如Google的Gemini Thinking和OpenAI的o1系列都依赖大量工程调优。AutoTTS的核心差异化在于把策略空间变成可执行的Python代码，让agent在离线环境里自动进化，单次搜索成本可以压到极低。
这跟去年Google DeepMind的FunSearch有相似的思想，但FunSearch面向数学猜想发现，AutoTTS直接瞄准LLM推理这个更实用的场景。已经开源且复现门槛不高，如果你在优化自家模型的推理链路但受限于人力做策略实验，这个工具值得作为基线跑一遍。
需要注意的局限：回放环境的构建质量决定了搜索上限，复杂动态任务（如多轮工具调用）的state/action抽象仍需要大量人工设计，"自动"是有前提的。
Star History
生态分析
Experimental
首个用编码代理自动发现测试时缩放策略的自动化框架，填补手工启发式与梯度优化之间的空白。
独特价值：零梯度、零在线调用，纯离线代理搜索实现推理成本优化，降低策略发现门槛。