대규모 언어 모델 (LLMs) 은 신경망 구조 생성에 큰 잠재력을 보여주고 있으나, 기존 접근법은 완전한 모델 구현을从头부터 생성하여 계산 비용이 크고 길어지는 코드를 생성합니다. 우리는 미세 조정된 LLM 이 기본 아키텍처를 개선하기 위해 전체 모델을 합성하는 대신 컴팩트한 통합 디프스 (deltas) 를 생성하는 '델타 코드 생성'을 제안합니다. 우리의 파이프라인은 LEMUR 데이터셋의 큐레이티드 아키텍처에 대해 LoRA 를 통해 LLM 을 반복적으로 미세 조정하며, MinHash-Jaccard 신규성 필터링을 통해 구조적 다양성을 확보합니다. 우리는 6 개의 데이터셋 (CIFAR-10, CIFAR-100, MNIST, SVHN, ImageNet, CelebA) 에서 3 개 7B 클래스 LLM (DeepSeek-Coder-7B, Qwen2.5-Coder-7B, Mistral-7B) 을 22 사이클 프로토콜 (각 LLM 당 1,100 후보) 을 사용하여 평가합니다. 모든 모델은 전체 생성 기준선 (유효율 50.6%, 평균 1 에포크 정확도 42.3%) 을 크게 상회합니다: DeepSeek-Coder 는 유효율 75.3% 와 평균 정확도 65.8% 를 달성하고, Qwen2.5-Coder 는 72.1%/64.6%, Mistral 은 66.6%/66.1% 입니다. CIFAR-10 에서 가장 높은 1 에포크 정확도는 Mistral (85.5%), DeepSeek (85.2%), Qwen (80.6%) 으로, 전체 생성 (63.98%) 과 동시 접근법 Gu et al. (71.5%) 을 크게 상회합니다. 출력 길이는 30-50 줄로, 전체 생성의 200+ 줄에 비해 75-85% 감소합니다. 50 에포크 연구는 1 에포크 대안이 순위 보존을 유지함을 확인합니다 (Mistral: Spearman $ρ$ = 0.926). 델타 기반 생성은 LLM 기반 NAS 를 위한 토큰 효율적이고 다중 도메인, LLM 무관한 전체 모델 합성 대안입니다.