一句话看懂：一篇 arXiv 新论文提出 AutoAssumption，把算法改写为带显式假设的 Lean 证明图，再让 LLM 通过放松单个假设来搜索新算法，在 KV-cache 淘汰和权重剪枝任务上改进了已发表方法。
事件核心：发生了什么
据 arXiv cs.AI 于 2026 年 11 月 13 日发布的新论文摘要，研究团队将 KV-cache 淘汰、权重剪枝和投机解码三个方向的 89 个算法形式化为证明图，每个假设都被明确写出并在 Lean 中检查。其工具 AutoAssumption 的做法是：先放松已发表方法中的一个假设，再重新推导、重新证明并生成对应代码。
摘要显示，在 KV-cache 淘汰和权重剪枝上，这一搜索对每个实际运行的已发表算法都有改进。其中淘汰算法在所测已发表方法中取得最高的 RULER-4K 得分，剪枝算法在四个 LLaMA 模型上取得十三种方法中最低的困惑度；在同等预算下，其成绩与 AlphaEvolve 的开源实现 OpenEvolve 相差约一个点，且重复测试的标准差更低。需要说明的是，上述结果均来自论文摘要，未见全文实验细节，也未经同行评审确认。
为什么重要
ML 系统里的许多进步，来自打破前人默认的前提，例如投机解码不再假设每个 token 都需要一次前向计算。但算法论文通常不会把假设单独列出来，因此无论是人工专家还是自动搜索工具，往往都在程序层面改动，一次编辑会牵动多个设计选择，收益难以归因。AutoAssumption 的思路是把算法写成可检查的“证明”，让假设成为可枚举的搜索维度，相当于把算法设计压缩进一个更小、更结构化的空间。若这一路线成立，它可能改变 ML 系统算法的研发方式：从调程序转向调假设。
对用户/开发者/创作者的影响
对普通用户和创作者而言，这项研究短期内不会带来可直接使用的产品。对开发者和推理基础设施团队，更实际的意义是目前公开信息显示它提供了一种自动化优化 KV-cache 管理、模型剪枝的候选路径；但代码生成质量、实际部署开销和在真实业务负载下的表现仍需验证。对研究者和工程团队，值得留意的是用 Lean 做证明检查能否与现有训练、推理工具链衔接，以及这套方法能否从摘要涉及的几个方向扩展到更多算法领域。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文是否公开完整实验设置和复现细节；二是生成的算法能否在真实推理框架中落地，而不只是在基准任务上领先；三是后续工作能否把更多领域的形式化算法通过共享的核心假设连接起来，形成可复用的搜索空间。
来源：arXiv cs.AI
