我们提出 Discovery Loop，一个轻量系统，利用大语言模型（LLM）在循环中演化优化算法。系统从一个简单的种子求解器出发，LLM 根据成绩榜和历史想法生成改进方案。每个候选算法会交给独立的验证器评估，成功的保留，失败的舍弃。该过程在 Packomania 圆盘填充基准（在单位正方形内放置 N 个可变半径圆，最大化半径和）上进行实验。系统在 N=101∼114 的十个规模上突破了已有记录，提升幅度为 2.4%‑5.4%，仅用了 15 次迭代，总 LLM 费用为 $27.72，已被 Packomania 官方确认。我们进一步分析了成本效率动态，引入自适应平台检测机制，以在收益趋于平稳时提前停止。结果表明，借助 LLM 可以在低成本下实现自动化科学发现，降低科研门槛。
点评：该工作展示了 LLM 在算法创新中的实用性，为小规模科研团队提供了可复制的路径。