ShinkaEvolve
PulseAugur coverage of ShinkaEvolve — every cluster mentioning ShinkaEvolve across labs, papers, and developer communities, ranked by signal.
-
FrugalEvo框架优化LLM使用，实现成本感知的程序演化
研究人员推出FrugalEvo，一个新颖的成本感知演化框架，旨在通过战略性地使用大型语言模型（LLMs）来优化计算问题。该框架使用一个更强大、更昂贵的LLM来制定策略，并使用一个更便宜的LLM来实现和完善代码，从而最大化每单位成本的性能提升。FrugalEvo引入了一个新指标，预算感知曲线下面积（BA-AUC），用于在固定预算内衡量解决方案的质量。在各种优化任务的测试中，FrugalEvo匹配或超越了现有的最先进方法，尤其是在圆圈打包…
-
简单的决策规则在医学人工智能推理中优于广泛搜索
一篇新发表在arXiv上的研究论文探讨了多图像医学推理，发现简单的代理决策规则比广泛的搜索预算更有效。该研究在MedFrameQA数据集上比较了五种推理时策略，其中“order-vote”策略实现了57.89%的最高准确率。这种方法显著优于固定基线和更复杂的“order-rerank”变体。值得注意的是，扩展演化搜索预算并未带来进一步的改进，这表明对于此类医学推理任务，决策规则的设计是更关键的因素。
-
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。