新框架通过跨任务记忆迁移增强LLM程序演进

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 →

• AdaEvolve
• AlphaEvolve
• arXiv
• FunSearch
• GPT-5
• MemEvo

• 论文
• 模型发布

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