AlphaEvolve
PulseAugur coverage of AlphaEvolve — every cluster mentioning AlphaEvolve across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
Google DeepMind 和 AlphaEvolve 创造矩阵乘法复杂度新纪录
Google DeepMind 与 AlphaEvolve 合作，为矩阵乘法复杂度设定了新的理论纪录。这一进展在很大程度上推动了计算理论的边界。
-
Anthropic的Claude被列为已验证椭圆曲线秩记录的合作者
一个受尊敬的数学家椭圆曲线秩排行榜上的一项新条目已得到验证，确立了秩30的下界。虽然该成果本身是可靠且可查的，但AI的参与程度，特别是Anthropic的Claude的参与程度，仍然不清楚。评论表明Claude与研究员Levent Alpöge和Ava Howell合作，但Anthropic没有提供主要来源详细说明AI的具体贡献，使其协助的性质未被记录。
-
使用机器学习和AlphaEvolve将矩阵乘法指数改进至 < 2.371177
研究人员将矩阵乘法指数（$\omega$）的上限提高到低于2.371177，超过了之前的2.371339的记录。这一进展是通过重新构建核心优化问题、开发一种新的基于机器学习的优化算法，并使用AlphaEvolve对其进行改进来实现的。该工作建立在现有的组合损失分析等方法之上，这些方法用于确定矩阵乘法的界限。
-
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 $\varepsilon$-…
-
ChatGPT 5.6-Sol Pro 取得新的数学突破，打破 DeepMind 纪录
有用户报告称，ChatGPT 的一个版本 GPT 5.6-Sol Pro 取得了新的数学突破。该 AI 自主扫描了相关论文，利用了自写的 C++ 定理证明器，并将 Ramsey 数 R(4,21) 的下界从 244 提高到了 253。这超过了之前由 Google DeepMind 的 AlphaEvolve 设定的纪录。
-
新框架通过减轻过拟合和改进验证来增强LLM的自我演化
研究人员正在开发新框架以增强大型语言模型（LLM）的自我演化能力。SkillBoost是一个三阶段框架，旨在通过结合结构化利用失败、先验指导探索以及验证接受候选修复来减轻技能过拟合。另一种方法Skill Self-Play（Skill-SP）使用一个包含提议者、求解器和技能控制器的协同演化框架，以平衡任务多样性和验证可靠性。此外，具有自可验证奖励的强化学习（RLSVR）将开放式任务转化为可验证的代理环境，以实现LLM在确定性正确性领域…
-
Google DeepMind承诺投入4000万美元，利用AI加速美国科学发现
Google DeepMind 将承诺提供价值4000万美元的AI代币和云积分，以支持白宫的Genesis Mission。这是一项旨在十年内将美国科学发现速度提高一倍的国家倡议。这笔资金将为能源部（DOE）国家实验室的研究人员提供先进AI工具的访问权限，包括用于算法设计的AlphaEvolve、用于生物分子结构预测的AlphaFold 3，以及用于行星测绘的AlphaEarth Foundations。此外，数万名能源部人员将在一年…
-
Google Cloud 为 Gemini Enterprise 用户提供 AlphaEvolve
Google Cloud 宣布 AlphaEvolve 已在其 Gemini Enterprise Agent Platform 上正式可用。该工具此前处于有限预览阶段，通过使用 Gemini 模型根据可衡量的质量函数生成和评估候选解决方案，帮助用户迭代改进算法。该系统专为代码优化和规划等结果可以进行数值评估的任务而设计，生成在 Google 端进行，代码执行和评分在客户的安全环境中管理。
-
Google DeepMind 与 Isomorphic Labs 合作开发用于生物韧性的 AI
Google DeepMind 和 Isomorphic Labs 正在合作开展一项生物韧性计划，利用 AI 来预防、检测和应对生物威胁。他们的方法包括确保 AI 模型不被威胁行为者滥用，同时使政府和科学家能够利用这些技术来增强全球健康韧性。AlphaFold、AlphaGenome 和 Isomorphic Labs 的药物设计引擎等关键 AI 工具正在被改编，以加速疗法的发现，并设计出针对自然疫情和潜在 AI 滥用的主动防御措施。
-
Google 的 Gemini 智能体 AlphaEvolve 现已登陆 Google Cloud
Google 的新智能体 AlphaEvolve，基于 Gemini 模型构建，现已可通过 Google Cloud 访问。此次集成使用户能够通过云平台利用 AlphaEvolve 的能力。
-
Google发布AlphaEvolve代理；xAI过渡到HNL
Google已公开发布AlphaEvolve，一个旨在优化代码和发现算法的代理。另外，xAI已宣布从XAI过渡到HNL，并提供了有关此次转变的交易所和计算方面的细节。
-
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”。