English(EN) $\varepsilon$-MemEvo: Adaptive Cross-Task Memory Transfer for LLM Program Evolution

新框架通过跨任务记忆迁移增强LLM程序演进

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-14 04:00

研究人员开发了一个名为 $\varepsilon$-MemEvo 的新框架，旨在提高基于大型语言模型（LLM）的程序演进系统的效率。该框架通过将成功的算法策略存储为自然语言摘要，实现了跨任务知识迁移，这些摘要可应用于具有不同API的任务。为防止负迁移，$\varepsilon$-MemEvo 采用了一个自适应注入门，动态决定是否以及如何使用检索到的记忆。在八个不同基准上的评估表明，使用GPT-5作为骨干的 $\varepsilon$-MemEvo，与AdaEvolve等现有方法相比，显著提高了性能和收敛速度，同时计算开销极小。 AI

影响该框架通过提高LLM演进系统的效率和知识迁移能力，有望加速新算法的发现。

排序理由该集群包含一篇详细介绍LLM程序演进新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍LLM程序演进新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 52 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Aofan Liu, Shiyuan Song, Yiyan Qi · 2026-08-14 04:00

$\varepsilon$-MemEvo：LLM程序演化的自适应跨任务记忆迁移

arXiv:2608.12522v1 Announce Type: new Abstract: LLM-based program evolution systems such as FunSearch and AlphaEvolve have shown strong ability to discover novel algorithms, but typically optimize each task in isolation, discarding search experience after completion. We introduce…

本文如何被排名

报道来源 [1]

$\varepsilon$-MemEvo：LLM程序演化的自适应跨任务记忆迁移

相关实体

相关话题