OpenEvolve
PulseAugur coverage of OpenEvolve — every cluster mentioning OpenEvolve across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LLM 通过新的代码和移动部署方法驱动神经架构搜索
两篇新研究论文探讨了大型语言模型 (LLM) 在神经架构搜索 (NAS) 中的应用。第一篇论文“GraphIR”引入了一种中间表示，以弥合可执行神经网络程序与 LLM 引导的演进之间的差距，在 CLRS 等基准测试中显示出改进的搜索性能。第二篇论文“Device-First Feedback”专注于移动原生 LLM 驱动的 NAS，开发了一个管道，该管道针对设备性能进行模型优化，而不仅仅是 GPU 准确性，在 CIFAR-10 的移动…
-
OpenEvolve 在 AI 研究中表现不如简单的自动化发现
一项涉及超过 300 万次运行的对照研究显示，OpenEvolve 的性能显著低于简单的自动化发现方法。不同方法的有效性因具体模型和问题对而异。该研究利用了重复的预算匹配运行和统计假设检验来比较各种方法。
-
研究发现自动化发现 Harness 存在泛化问题
一篇新研究论文对 OpenEvolve 和 TTT-Discover 等自动化发现系统普遍优越的观念提出了质疑。这项涉及超过 310 万次 LLM 部署的研究发现，没有一个 Harness 在各种模型-问题对上始终表现优于其他 Harness。研究表明，Harness 选择应被视为一个超参数，需要针对特定问题和模型进行定制，而不是一刀切的解决方案。作者还提出了一种自适应分配方法，该方法可以剔除表现不佳的运行并将计算资源重新分配给表现更…
-
新框架增强了LLM在对抗游戏中的策略演化
研究人员开发了一个名为FAMOU的新框架，以改进对抗游戏中LLM驱动的策略演化。该框架通过引入协同进化机制、分层深度评估和动态弱点压力，解决了评估环境变化的挑战。在MCTF 2026 3v3海上夺旗任务上进行的测试中，FAMOU的表现优于现有方法，取得了最高的综合得分，并能更好地泛化到未见过的对手。演化出的策略还展示了新颖的算法创新，验证了该方法的有效性和现实世界的可迁移性。
-
LLM 在算法开发方面展现出潜力，但人类监督仍然至关重要
研究人员探索了使用大型语言模型 (LLM) 来辅助算法开发，特别是用于优化张量网络中的收缩顺序。他们的案例研究利用 OpenEvolve，展示了验证器引导的进化编码代理在算法改进方面的潜力。然而，该研究也强调了人类科学家在结果评估、验证和解释方面至关重要且持续的作用。
-
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。
-
CodeEvolve利用LLM和运行时分析来提升代码性能
研究人员开发了CodeEvolve，一个使用大型语言模型（LLMs）自动增强代码质量和性能的新框架。该系统集成了运行时分析数据，以识别关键的优化目标，减少了手动分析的需求。CodeEvolve随后生成、评估和优化代码编辑，通过包括LLM驱动的审查在内的各种检查来确保功能正确性。在测试中，它显著加速了Java代码库，并证明了对Salesforce Apex的可靠优化。