论文页面 - FlashEvolve：通过异步阶段编排加速智能体自进化

来源：https://huggingface.co/papers/2605.08520 作者：

,

,

,

,

,

,

,

,

,

摘要

FlashEvolve 通过实现异步执行和工件版本追踪，在保持进化质量的同时减少了计算瓶颈，从而增强了基于 LLM 的进化框架。

基于 LLM 的进化（https://huggingface.co/papers?q=LLM-based%20evolution）已成为通过优化非参数化工具来改进智能体的一种有前景的方式，但其实际运行成本仍然是主要瓶颈。我们发现，这一成本来源于同步阶段执行以及每个 LLM 密集型阶段内部的不平衡。我们提出了 FlashEvolve，这是一个高效的框架，用异步工作者（https://huggingface.co/papers?q=asynchronous%20workers）和队列取代同步执行（https://huggingface.co/papers?q=synchronized%20execution），允许不同阶段和步骤重叠。为了处理由异步性引入的数据陈旧问题，FlashEvolve 追踪工件版本，并应用不同的策略来更新、丢弃或修补陈旧的工件。与异步 RL 中的权重空间陈旧性不同，语言空间中的陈旧性是可检查且可修复的：一个陈旧的工件不仅仅是一项延迟的工作，更是可读的证据，LLM 可以对其进行反思、修改，并将其转化为有用的进化信号。FlashEvolve 还通过推测性阶段完成（https://huggingface.co/papers?q=speculative%20stage%20completion）和自适应工作流控制（https://huggingface.co/papers?q=adaptive%20workflow%20control）进一步提高了吞吐量和令牌效率。在 GEPA（https://huggingface.co/papers?q=GEPA）工作负载上，与同步 GEPA（https://huggingface.co/papers?q=GEPA）相比，FlashEvolve 在本地 vLLM（https://huggingface.co/papers?q=vLLM）上将提案吞吐量提高了 3.5 倍，在 API 服务（https://huggingface.co/papers?q=API%20serving）上提高了 4.9 倍。同样的设计也适用于 ACE 和 Meta-Harness。

查看 arXiv 页面（https://arxiv.org/abs/2605.08520）查看 PDF（https://arxiv.org/pdf/2605.08520）项目页面（https://flashevolve.picasso-lab.com/）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2605.08520）

在您的智能体中获取此论文：

hf papers read 2605.08520

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有链接此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2605.08520 以从本页链接。

引用此论文的数据集 0

没有链接此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2605.08520 以从本页链接。

引用此论文的 Spaces 0

没有链接此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2605.08520 以从本页链接。

包含此论文的合集 0

没有包含此论文的合集

将此论文添加到合集（https://huggingface.co/new-collection）以从本页链接。