Kernel Autoresearch for Open-Ended Model Discovery

摘要

KERNAUT 用固定 LLM proposer 生成 kernel 程序，以受信解释器、分层验证和持久 MAP-Elites archive 把开放式提案约束成可复查的 model-discovery loop。它说明 verifier 和 archive 能改善候选质量，但不是 policy learning 或递归修改 improver。（来源：原始资料（本地存档））

核心内容

• Tier 0 检查执行与 shape，Tier 1 抽样 PSD，Tier 2 用 PSD-preserving construction contract 重建并检查 purity；只有 Tier 2 通过者进入 archive。（来源：原始资料（本地存档））
• 12 次 run 每次最多 10 rounds、100 tool calls；作者报告完整 archive 在 held-out BBO 上优于 independent proposal 与 closure grammar，且自由生成 kernel 有 22%–58% 会在规模/维度变化后数值失效。（来源：原始资料（本地存档））
• 固定模型只写研究对象，模型权重和 proposer/harness 均未被系统改写；因此属于 autoresearch/program synthesis，不是严格 Agentic RL 或 RSI。（综合：原始资料（本地存档））

相关页面

• 概念：Autoresearch、Execution-Based Agent Evaluation、Recursive Self-Improvement
• 实体：KERNAUT
• 主题：LLM Agent Self-Improvement

来源

• 原始文件：原始资料（本地存档）
• 定位信息：方法、实验与限制由 alphaXiv PDF 全文问答核实；关键表格为 Table 7 及 BBO/chemistry/glucose 实验章节。

待核实问题

• 代码 URL、许可证、正式同行评审状态与独立复现待核实。