Abstract
本综述系统性地回顾了自动调优领域的最新进展，并探讨了大型语言模型（LLMs）在代码优化和程序表示中的作用。通过整合算法、工具、数据集和基准测试等方面的研究成果，本工作总结了领域中的关键趋势、挑战和研究机会，构建了全面的框架，为未来研究提供了方向。
Introduction
Motivation and Challenges
随着现代软件和硬件系统的复杂性不断增加，传统的手动性能调优方法已无法满足实际需求。数据驱动的自动调优技术和大型语言模型（LLMs）的引入，为性能优化提供了新思路。然而，领域内仍面临许多挑战，例如算法的可扩展性、模型的适应性、数据集偏差以及评价标准的不一致。这些问题的存在表明对这一领域进行系统性综述的必要性。
Contributions of This Survey
本综述的目的是通过整合自动调优和基于 LLM 的优化技术的最新研究，系统地梳理这一领域的发展现状和面临的问题。我们的主要贡献包括：
Overview
Survey Scope and Focus
本综述聚焦于自动调优技术和基于 LLM 的方法的交叉领域，涵盖算法、工具、数据集、基准测试和 ...
