MetaMuse：通过创意构思生成算法
人工智能
2026-04-17 v2
摘要
系统算法的设计仍然充满挑战，其中解空间的断裂性往往迫使系统工程师依赖通用启发式方法，牺牲性能。我们研究了大语言模型是否能够实际驱动算法生成，发现它们倾向于依赖众所周知的通用设计，而非做出跨越断裂解空间所需的创意跃迁。为此，我们引入 MetaMuse，一个基于三大自我反思原则构建的创意构思框架：(1) 在可衡量的性能空间中对解的多样性和实用性进行量化，而非在抽象思想空间中；(2) 通过外部刺激引导构思，而非依赖内部随机性；(3) 通过路标推理构建可执行解，而非依赖自由形式的链式思考。针对全球云服务提供商面临的两个关键在线问题进行大规模评估，结果表明 MetaMuse 能够生成高性能解：在缓存替换中将缓存丢失率降低最高可达 35.76%，在在线二项 Packing 中将 bin 使用率降低最高可达 30.93%。
引用
@article{arxiv.2510.03851,
title = {MetaMuse: Algorithm Generation via Creative Ideation},
author = {Ruiying Ma and Chieh-Jan Mike Liang and Yanjie Gao and Francis Y. Yan},
journal= {arXiv preprint arXiv:2510.03851},
year = {2026}
}
备注
ICLR 2026