arXiv 于 2026 年 6 月 1 日发布了一篇题为《Don't Gamble, GAMBLe: An Analytical Framework for AI-Driven Research Systems》的预印本论文，作者为 Marquita Ellis 及另一位合作者。该论文编号为 arXiv:2606.02863v1，归类于人工智能（cs.AI）领域，全文共 21 页，其中正文 10 页、附录 11 页，包含 6 幅插图（正文 2 幅、附录 4 幅）。论文聚焦于一类正在快速普及的系统——AI 驱动研究系统（AI-Driven Research Systems，简称 ADRS），即把大语言模型与自动评估机制结合起来、用于发现算法、数学证明和设计方案的系统。
作者指出，ADRS 正在各个领域被持续优化和采用，但用于分析这类系统的工具却没有跟上步伐。ADRS 的性能取决于各组件之间的相互作用，而这些相互作用目前理解不足、探索成本高昂，并且正如论文所证明的那样，并不能被标准的收敛性保证很好地刻画。这些收敛保证依赖于某些结构性假设，而在作者形式化的 ADRS 过程中，这些假设并不成立。换言之，现有的理论工具可能给出误导性的结论，急需一套更贴合实际的分析框架。
为解决这一问题，论文提出了名为 GAMBLe 的分析框架。该框架将 ADRS 的行为分解为四个参数：生成器 G、评估器 A、发现机制 M 以及预算 B；此外还引入一个组合对象，即“有效景观”L_eff = A ∘ G。这一组合对象揭示出一个关键洞察：不同的生成器—评估器组合会为每个问题诱导出结构上截然不同的优化景观。也就是说，换一个模型或换一种评分方式，搜索问题的“地形”本身就会改变，因此不能简单地假设所有配置共享同一套收敛性质。
为了验证框架的实用性，作者开展了大规模实验，共进行 760 多次重复运行，累计超过 46,000 次迭代。实验覆盖的生成器范围从单一 LLM 到动态自适应集成；发现机制从贪心选择一直到协同进化的元搜索；测试对象则是三个 NP 难问题，其评估器从连续评分函数一直到悬崖型（cliff）函数。这一设置有意覆盖了组件空间的多个维度，以便观察不同组合带来的结构性差异。
实验结果得出了若干反直觉的结论。首先，生成器和发现机制之间不存在总体排序：前沿模型的表现可能不如开源替代方案，而最简单的机制有时反而胜过最先进的元搜索方法。这说明“更强的模型必然更好”或“更复杂的搜索必然更优”这类直觉并不可靠，组件之间的匹配关系才是决定性能的关键。
其次，即便在有限预算下（每次运行仅 60 次迭代），正确的组件选择也能带来显著收益：性能提升幅度在 13% 至 67% 之间，搜索效率提升达 6 至 39 倍。这一结果对实际部署具有直接意义——在算力和时间受限的场景中，合理搭配生成器、评估器与搜索机制，可能比单纯升级模型或加大预算更有效。
论文的贡献在于把原本难以比较、难以调优的 ADRS 行为，转化为可分析的四参数加一景观的框架，并用大规模实证数据说明标准收敛理论在此类系统中的局限。作者强调，ADRS 的性能由组件交互决定，而这些交互既难以理解又探索成本高昂，因此需要一个像 GAMBLe 这样系统化的分析工具，帮助研究者和工程团队避免“赌博式”的组件选型，转而基于对有效景观的理解做出有依据的设计决策。该论文以预印本形式发布，DOI 为 10.48550/arXiv.2606.02863。