深度分析
「AlphaEvolve」揭示大型語言模型與人類在迭代石頭剪刀布中的策略差異
研究利用AlphaEvolve從迭代石頭剪刀布資料自動發掘可解釋程式模型，對比人類與大型語言模型的策略行為。結果顯示先進LLM能更快辨識並利用對手模式，勝率顯著高於人類，同時揭示其對手模型更複雜，而較小模型在長序列推理上表現退步。此發現對未來LLM作為決策輔助工具的安全與效能評估具有重要意義。
深度分析
研究利用AlphaEvolve從迭代石頭剪刀布資料自動發掘可解釋程式模型，對比人類與大型語言模型的策略行為。結果顯示先進LLM能更快辨識並利用對手模式，勝率顯著高於人類，同時揭示其對手模型更複雜，而較小模型在長序列推理上表現退步。此發現對未來LLM作為決策輔助工具的安全與效能評估具有重要意義。
深度分析
研究聚焦拉姆齊數的計算下界；論文用AlphaEvolve（一種以大型語言模型驅動的程式碼變異代理人）自動演化搜尋演算法，對圖生成與驗證採用雙重候選評分機制，成功把多個已知下界再提升一級，並在多數情況恢復或匹配最優下界。該方法同時展示了LLM在發現數學搜尋策略上的潛力與可複現性挑戰。