تُعد كفاءة التحسين بايزي (BO) مرهونة بشكل كبير باختيار نواة عملية جاوسية (GP)، التي تؤدي دورًا محوريًا في تحقيق التوازن بين التوسع (الاستكشاف) والاستغلال ضمن ميزانيات تقييم محدودة. وغالبًا ما تعتمد الطرق التقليدية للتحسين بايزي على استراتيجيات ثابتة أو مبنية على تجربة لاختيار النواة، ما قد يؤدي إلى تباطؤ التقارب أو الحصول على حلول غير مثلى عند عدم ملاءمة النواة المختارة للدالة الهدف الكامنة. وللتغلب على هذه القيود، نقترح نموذجًا جديدًا يُسمى "تَطوُّر نواة واعية بالسياق" (CAKE) لتعزيز أداء التحسين بايزي باستخدام نماذج لغة كبيرة (LLMs). وبشكل محدد، يستخدم CAKE نماذج لغة كبيرة كعمليات تهجين وطفرة لاستنتاج وتحسين نواة عملية جاوسية بشكل تلقائي، استنادًا إلى البيانات الملاحظة طوال عملية التحسين. ولتحقيق أقصى استفادة من قدرات CAKE، نقترح أيضًا نموذج ترتيب نواة اكتساب (BAKER) يُحدِّد النواة الأكثر فعالية من خلال تحقيق توازن بين ملاءمة النموذج المُقاسة بمعيار المعلومات بايز (BIC) وزيادة القيمة المتوقعة في كل تكرار من تكرارات التحسين بايزي. وأظهرت تجارب واسعة النطاق أن طريقة التحسين بايزي المبنية على CAKE تتفوّق باستمرار على الطرق الأساسية المعتمدة في مجموعة متنوعة من المهام الواقعية، بما في ذلك تحسين المعلمات الفائقة، وضبط المُتحكمات، وتصميم أشباه الموصلات الضوئية.