AdaptEvolve：通过自适应模型选择提高进化型AI代理的效率

进化型代理系统在推理过程中反复调用大语言模型（LLMs），加剧了计算效率与推理能力之间的权衡。本文提出AdaptEvolve，一种基于内在生成置信度的自适应LLM选择方法，在进化序列优化框架中实现多LLM的进化优化。实验结果表明，该方法在保持静态大模型基线97.5%上界准确率的同时，平均减少了37.9%的推理成本。该研究为进化型AI代理提供了高效的模型选择策略。