huawei-noah/HEBO

Bayesian optimisation & Reinforcement Learning library developed by Huawei Noah's Ark Lab

什么是 HEBO？

HEBO 是华为诺亚方舟实验室的研究级代码集合，涵盖多个前沿 AI 主题，尤其是 贝叶斯优化（BO） 和 强化学习（RL）。该仓库作为一个中心，指向各个子项目，每个子项目实现了在顶级会议（NeurIPS、ICML、ICLR 等）上发表的论文。旗舰组件是 HEBO 库——一个异方差进化贝叶斯优化器，赢得了 NeurIPS 2020 黑盒优化挑战赛。

关键子项目（附一句话说明）

子文件夹	目标
HEBO	通用贝叶斯优化，采用异方差建模；在黑盒优化基准上表现优异。
MCBO	用于组合和混合变量贝叶斯优化的模块化框架，以及大型基准套件。
NAP	端到端元贝叶斯优化，通过基于 transformer 的神经过程同时学习代理模型和采集函数。
RDUCB	使用随机树分解的高维贝叶斯优化（可与 HEBO 即插即用）。
AntBO	用于计算机模拟抗体 CDRH3 设计的组合贝叶斯优化。
BOiLS	将贝叶斯优化应用于电子设计自动化中的逻辑综合。
T-LBO	在由深度度量学习塑造的 VAE 学习潜在空间中进行贝叶斯优化。
CompBO	将采集函数最大化重新表述为组合优化问题。
AIRBO	通过 MMD 增强的高斯过程显式处理任意输入不确定性的鲁棒贝叶斯优化。
RLLG	使用带噪声的策略切换方案，用局部引导策略增强强化学习智能体。
SIMMER（Saute RL 和 Simmer RL）	通过安全状态增强实现安全强化学习，确保几乎必然满足约束。
PMDB	基于模型的离线强化学习，采用悲观度调制的动力学信念。
ROS-LLM	用于具身 AI 的 ROS（机器人操作系统）集成，将 LLM 推理与任务反馈相结合。
EM-LLM	为 LLM 增加情景记忆，实现“无限上下文”行为。
Mixture of Attentions 和 Scalable Power Sampling	用于投机解码和无训练推理的探索性生成模型思想。

谁可能使用这个？

研究人员：基于最先进的贝叶斯优化或强化学习方法进行研究；代码直接关联最近的会议论文，并包含基准脚本。
实践者：需要高性能贝叶斯优化引擎用于超参数调优、硬件设计或药物/抗体发现。
安全关键型强化学习开发者：寻找即插即用的安全增强（Saute/Simmer）。
机器人工程师：希望在 ROS 中实验 LLM 驱动的推理。

成熟度如何？

所有子项目都是 研究代码：它们可以编译和运行，但可能缺乏全面的文档、广泛的测试或生产级 API。
核心 HEBO 库 足够稳定，赢得了竞赛，并被许多后续论文用作基线。
每个子文件夹包含自己的 README、论文链接，通常还有 requirements.txt 或 setup.py 以确保可复现性。

许可证与可用性

顶层仓库以 MIT 许可证 发布（如 MCBO 组件所述，其余代码也适用相同许可证）。这允许自由使用、修改和商业再分发。
代码托管在 GitHub 上的 huawei-noah/HEBO 组织下，便于 fork 或提交拉取请求。

快速开始（以 HEBO 优化器为例）

# 克隆仓库
git clone https://github.com/huawei-noah/HEBO.git
cd HEBO/HEBO
# 安装依赖（示例）
pip install -r requirements.txt
# 运行一个简单的基准测试（提供的脚本）
python examples/benchmark.py

底线： HEBO 是一个真正以研究为导向的开源套件，提供了贝叶斯优化、强化学习安全技术以及一些新兴 LLM 相关工具的前沿实现。它最适合需要实验最新优化算法的 AI/ML 研究人员和高级工程师，而不是普通爱好者。