文章摘要
【关 键 词】 开源框架、样本效率、进化计算、LLM优化、技术创新
开源框架ShinkaEvolve通过三项核心技术实现了进化计算领域的突破性进展，将大语言模型（LLM）自我优化的样本效率提升数十倍。由Transformer作者Llion Jones创立的Sakana AI团队开发的这一框架，在数学优化、智能体设计等任务中仅需150次评估即可达到传统方法上千次评估的效果，同时保持开源属性。
框架的核心创新体现在三个层面。平衡探索与利用的亲本抽样技术采用”岛群模型”并行进化机制，通过分层策略将种群划分为独立子群，结合幂律抽样和加权抽样多策略模式，有效协调优质解保留与新方案探索的矛盾。代码新颖性拒绝抽样机制建立二级过滤系统，先通过嵌入相似度初筛，再经LLM评估语义独特性，将无效计算减少80%以上。动态LLM集成选择策略基于UCB1算法，通过访问计数器和得分估计的双指标系统，实时调整不同模型在进化各阶段的参与权重。
实验数据验证了框架的跨领域适用性。在26圆最优排列的数学优化任务中，仅用传统方法5%的样本量就突破空间利用率瓶颈，进化曲线呈现快速改进、持续探索和最终收敛三阶段特征。针对AIME竞赛题的智能体测试表明，7次LLM查询即可达到峰值性能，且在未见过的2025年赛题上保持稳定表现。竞争性编程基准测试中，AtCoder竞赛题平均得分提升2.3%，其中ahc039任务排名从第5跃升至第2。混合专家系统的负载均衡实验中，新框架生成的损失函数在7个下游任务上准确率提升3.8%-12.6%，且正则化系数增大时优势更显著。
该研究开创性地将动态资源分配、语义级去重和并行进化策略融合，形成”抽样-变异-反馈”的闭环优化范式。其开源性设计不仅降低技术使用门槛，更为后续研究提供了可扩展的基础架构。实验证明该框架能适应从数学优化到LLM训练等不同复杂度任务，标志着进化计算领域向高效实用化迈出关键一步。
原文和模型
【原文链接】 阅读原文 [ 1458字 | 6分钟 ]
【原文作者】 量子位
【摘要模型】 deepseek/deepseek-v3-0324
【摘要评分】 ★★☆☆☆
相关文章
