标签
一项针对 OpenEvolve 0.4.0 的实证研究表明,由大语言模型引导的进化搜索能够发现有效的改进算法,但当所用的适应度函数未能涵盖完整的任务规范时,却可能选中无效程序,揭示了发现质量与选择质量之间的差距。作者采用多种 Gemma 4 配置和搜索预算,在圆形装填和近似 k 近邻任务中对算法质量进行了独立验证。
该论文提出了 GRAFT,一种用于自动化 LLM 智能体设计的执行引导遗传重组方法。该方法利用各父代特有的执行证据来指导语义交叉,在六种推理和编程场景中实现了 82.0% 的平均测试准确率,比最强基线高出 9.8 个百分点。
Inventa 是一个自动化科学发现框架,采用去中心化的自主研究单元,通过变异代理、经过验证的共享知识和自适应编排器推动想法演进。它在包括 EurekaBench 在内的五项基准测试中领先(在 EurekaBench 上得分为 73.6%,而 CORAL 为 56.2%),同时使用的模型调用次数要少得多。
HACE 是一个联合进化专业基础模型与 LLM 智能体的框架,通过互惠学习和进化搜索优化二者的交互机制,在推荐系统、蛋白质功能预测和晶体稳定性预测三个领域均超越现有的自我改进方法。
本文为 LLM 引导的进化搜索引入了组件感知反馈机制,将哪个组件的修改改变了哪些适应度指标记录在归因记忆中,从而仅用三分之一的搜索预算便达到了基线水平的性能,并在 Bright 重排序任务上将 nDCG@10 提升了 7.2%。
EvoDuet 提出了一种双层优化框架,在 LLM 参数固定的情况下协同进化解决方案与网络搜索查询,并通过检索门控决定何时获取新文档、何时复用已有文档。在 21 个任务上,它显著提升了 OpenEvolve 的归一化发现增益(例如在 Gemini-3.8-Flash 上从 61.3% 提升至 82.3%),在八个任务上超越了此前的最佳成绩,并在不同的进化搜索脚手架上表现出良好的泛化能力。
论文提出了 MILO,一个让智能体 harness 与用于发现它们的搜索策略协同进化的框架,采用基于岛屿的进化搜索,并结合变异体智能体与协调器。在 Terminal-Bench 2.1、PaperBench 和 DeepSWE 上,MILO 发现的 harness 优于最前沿的 harness 和搜索方法,甚至超越了 Terminal-Bench 2.1 排行榜的榜首条目,且 token 消耗减少 26%。
HARDEN 引入约束进化搜索,以生成更难且保留预期输出的语言模型评估案例,从而在多个基准测试中显著降低了准确性。
EvoRank是一个LLM引导的进化系统,用于发现电子商务中的多目标排序学习管道,它展示了相对于基线的可迁移改进,并包含审计工具。
本文批判了LLM进化搜索的单点评估,表明最优性能取决于种子和迭代次数的变化,并提出了一种预算网格评估协议。
Google DeepMind 的 ArchAgent v2 使用代理算法发现自动化了多层次数据预取器设计,在数据预取竞赛中超越了手工设计的解决方案。
Introduces StorySpark, a module-wise evolutionary search framework for LLM-based story premise generation, demonstrating consistent gains in originality and downstream story quality.
本文研究了LLM驱动的GPU内核进化优化如何对评估配置进行指纹识别,导致30%的分布内获胜结果在留出设置上失败。本文提供了失败模式的分类体系,以及战略优化下稳健基准测试的设计指南。
本文介绍了RelayEvolve,一种无需训练的框架,用于成本高效的大语言模型驱动进化,该框架自适应地将种群从廉价模型交接给强模型,在固定推理预算下于各基准测试中取得高分。
本文介绍了DyCA,一个用于LLM辅助进化搜索的框架,利用动态实例聚类在异构实例分布下提升尾部鲁棒性,在四个算法设计任务上优于现有LES基线。
DarwinX 通过自然选择式的种群搜索进化 LLM 智能体框架,模型权重保持冻结,在不做基准特定修补的情况下,提升了多个基准测试上的验证性能。
本文提出仅使用语言规则作为提示压缩器,无需LM前向传递,在轻度到中度压缩下达到与先进策略相似的性能。
GAE 引入了一个结合图神经网络、强化学习和 LLM 微调的框架,以克服进化程序搜索中的瓶颈,在复杂非线性振荡器系统的符号回归上实现了最先进的性能。
提出了一种进化神经架构搜索框架(EvoTS),用于发现任务自适应的类Transformer模型,用于多变量时间序列预测。该方法使用模块化基因组表示,并在ETT基准数据集上取得了竞争性的性能。
本文介绍了Evolution Fine-Tuning (EFT),这是一种中期训练范式,通过将进化搜索轨迹转化为监督信号,教会大语言模型跨优化任务进化解决方案。作者构建了包含156K条轨迹、涵盖371个任务的Finch Collection数据集,并证明微调后的模型能够泛化到保留任务,并在多个基准测试上达到最先进性能。