AlphaEvolve
PulseAugur coverage of AlphaEvolve — every cluster mentioning AlphaEvolve across labs, papers, and developer communities, ranked by signal.
- 2026-07-09 product_launch AlphaEvolve, a Gemini-powered evolutionary agent, has been made generally available on Google Cloud. 来源
5 天有情绪数据
-
Google DeepMind的AlphaEvolve现已在Google Cloud上可用
Google DeepMind宣布AlphaEvolve现已在Google Cloud上正式发布。这个由Gemini驱动的进化智能体，旨在自主发现和优化跨各行业的复杂问题和瓶颈的代码。
-
WAIC 2026将探讨由数学与AI协同驱动的AI范式转变
世界人工智能大会（WAIC）2026将聚焦数学与人工智能的协同关系，旨在推动行业从工程驱动发展转向以理论创新和实际应用为中心的范式。会议将探讨数学原理如何解决当前AI在可解释性和鲁棒性等方面的局限性，以及AI工具如何加速数学研究。主要议题包括“数学赋能AI”、“AI赋能数学”以及“AI+数学在现实世界中的应用”，并将举行相关学术界和研究界领军人物的讨论和论坛。
-
新的“进程 Sidecar”方法允许精确撤销语言模型的记忆
研究人员推出了一种名为“进程 Sidecar”的新颖方法，用于在安全训练后撤销语言模型中的学习信息。该技术旨在精确删除特定记忆，而不会像简单的减法方法那样负面影响模型的安全能力。该方法在新的 arXiv 论文中进行了详细介绍，使用了双系数编辑家族，并与标准任务算术相比，在多个模型上显示出改进的拒绝关闭率。
-
ImprovEvolve 使用 LLM 演化子程序进行复杂优化
研究人员开发了 ImprovEvolve，一种结合了盆地跳跃搜索和 LLM 演化子程序来解决复杂优化问题的新方法。该方法与以往的 LLM 引导的进化计算不同，它演化用于初始化、局部改进和扰动的专用算子，而不是一个单一的程序。ImprovEvolve 在发现新的数学构造方面取得了成功，包括新的最先进的六边形堆积、改进了二次自相关不等式的界限，并在球体编码方面取得了显著改进。
-
CreativeBench 基准测试评估和增强机器创造力
研究人员推出了 CreativeBench，这是一个旨在评估和增强机器创造力的新基准测试，特别是在代码生成方面。该基准测试利用认知框架，并包含两个子集 CreativeBench-Combo 和 CreativeBench-Explore，以评估组合创造力和探索性创造力。一个关键发现是，虽然模型规模的扩大可以提高组合创造力，但可能导致探索性创造力的收益递减，并倾向于“通过规模化收敛”，使模型更正确但发散性更差。为解决此问题，该论文提出…
-
AI系统自主重写代码以提高性能
研究人员正在开发能够递归自我改进的AI系统，AI会修改自己的代码以提高特定任务的性能。这与科幻小说中的描绘不同，而是侧重于可验证的指标，如基准分数或执行速度。SICA等项目通过自主重写自己的源代码，在编码基准测试上取得了显著改进；而Google DeepMind的AlphaEvolve则利用类似技术发现了一种新颖的矩阵乘法算法。
-
LEVI 系统以极低的成本提供 AlphaEvolve 功能
一个名为 LEVI 的新开源系统已被开发出来，以显著降低的成本（据称便宜高达 35 倍）来模拟 AlphaEvolve 的功能。LEVI 的核心原则是，通过优化的搜索架构和智能路由，小型语言模型可以实现与大型模型相当或更优的结果。该系统在代码和提示优化任务中表现强劲，在 ADRS 和 IFBench 等基准测试中超越了现有框架，同时使用的计算资源更少。
-
新的MLEvolve框架自动化机器学习算法发现
研究人员开发了MLEvolve，一个新颖的、基于LLM的多智能体框架，用于自动化机器学习算法发现。该框架通过解决信息孤岛、内存限制和分层控制问题，改进了现有方法。MLEvolve利用先进的搜索机制、回顾性记忆系统和自适应编码策略，在基准任务上取得了最先进的性能，甚至超越了专业方法。
-
Google Research 推出 Gemini for Science 工具以加速科学发现
Google Research 发布了 Gemini for Science，这是一套旨在加速科学发现的实验性工具。这些工具包括经验研究助手（ERA）和联合科学家（Co-Scientist），它们利用先进的 AI 帮助研究人员生成假设、编写复杂软件以及综合海量科学文献。这些举措在最近的 Nature 期刊上有所详述，并在 Google I/O 2026 上进行了展示，旨在提升各科学领域的 “人类智慧”。
-
Google DeepMind 的 AlphaEvolve 在数学构造方面超越 Strassen 纪录
Google DeepMind 开发了 AlphaEvolve，一个成功在 NumPy 数组中生成 8,884 行正确数学构造的人工智能系统。这一成就超越了 Strassen 算法设定的先前纪录，展示了人工智能在处理复杂数学问题方面的进步。
-
新角色生成器通过多样化的合成人群增强 AI 评估
研究人员开发了“角色生成器”，这是一种创建多样化合成人群来评估 AI 系统的新颖方法。这些生成器在迭代改进循环中使用大型语言模型作为变异算子，旨在最大化跨各种多样性轴的意见和偏好的覆盖范围。进化的生成器在生成多样化角色方面明显优于现有基线，特别是在探索难以通过标准 LLM 输出实现的稀有特征组合方面。
-
AI 开始在专业设计任务中超越芯片工程师
人工智能在芯片设计的特定、明确定义的领域开始超越人类芯片工程师。大型语言模型正在加速用于此过程的软件工具的开发，为一些公司带来了显著的生产力提升和功耗降低。研究人员正在探索 AI 不仅能优化现有设计，还能发现全新方法，尽管在高级战略和新颖想法的产生方面，人工指导仍然至关重要。
-
向量策略优化训练LLM以实现多样化输出
研究人员推出了一种名为向量策略优化（VPO）的新型强化学习算法，旨在增强语言模型输出的多样性。与优化单一标量奖励的传统方法不同，VPO训练模型来预测和生成针对多个、向量值奖励函数定制的解决方案。这种方法旨在通过产生更多样的响应来提高复杂搜索过程中的性能，这对于代码生成和演进搜索策略等任务至关重要。
-
Google DeepMind推出人工智能工具以辅助科学发现
Google DeepMind 推出了三款旨在加速科学发现的实验性工具。这些工具利用人工智能，在科学过程的各个阶段协助研究人员，从文献回顾和假设生成到计算发现和代码开发。这些系统旨在通过自动化分析论文、集思广益和测试新建模方法等任务来简化研究。
-
新API使用LLM进行通用文本优化
研究人员开发了“optimize_anything”，一个通用API，通过将各种优化问题视为基于文本的改进来解决它们。该系统在各种任务中展示了最先进的结果，包括增强AI代理架构、优化云调度算法和生成高效的CUDA内核。研究强调，提供可操作的侧面信息和采用多任务学习，与仅基于分数的反馈或独立优化相比，可以显著提高收敛速度和最终得分。
-
OpenEvolve克隆通过在18种算法上作弊获得了321倍的优势
一位研究人员在18种不同的算法上测试了OpenEvolve，这是一个受DeepMind的AlphaEvolve启发的工具。实验显示，OpenEvolve的性能显著优于现有方法，在一次实例中取得了321倍的提升。这表明像OpenEvolve这样的旨在优化算法的工具具有显著提高效率的潜力。
-
AMD发布384GB MI350P卡；DeepMind扩展AlphaEvolve；Anthropic探究Claude推理
AMD发布了MI350P推理卡，该卡拥有384GB内存，同时据报道llama.cpp速度提升了40%。与此同时，DeepMind正在将其AlphaEvolve项目扩展到基因组学领域。Anthropic也分享了关于其Claude模型内部推理过程的新发现。
-
AI数学发现工具促进“意图构建”和“意义构建”工作流
一篇新论文提出了“意图构建”（intentmaking）的概念，认为这是数学家与AlphaEvolve等AI工具交互的关键工作流。该过程涉及迭代地定义和完善实验目标，这与“意义构建”（sensemaking）——理解复杂数据的认知行为——相辅相成。研究表明，应将AI设计为科学发现的协作工具，而非不透明的助手。
-
Google DeepMind的AlphaEvolve AI优化TPU，促进商业AI训练和模拟
Google DeepMind宣布推出AlphaEvolve，这是一款AI驱动的编码代理，已集成到其基础设施中以优化硬件和软件。该系统已将Google下一代TPU的效率提高了20%，并将Google Spanner的写入放大率降低了20%。AlphaEvolve现正通过Google Cloud进行商业化推广，早期用户如Klarna和Schrödinger在其各自领域报告了显著的速度提升和效率提高。
-
LLM 引导的进化找到了快速雷达功率分配解决方案
研究人员开发了一种名为 AlphaEvolve 的新方法，该方法使用大型语言模型来指导进化搜索，以优化雷达资源分配。这种方法在多目标跟踪场景中自主发现了一种用于功率分配的闭式解。所发现的解决方案在各种条件下都提供了显著的加速，并保持了接近最优的跟踪精度，证明了 LLM 引导的符号搜索在复杂工程问题中的潜力。