进化搜索相关 AI 资讯 · AI 热点

7月31日

11:51

11:51

官方账号arXiv cs.AI@Kostis Michailidis, Dimos Tsouros, Nguyen Dang, Tias Guns

该研究用进化框架让LLM自动重构约束模型以提升求解效率。作者提出Profile-Diverse Retention策略，用最大边际相关性对实例级运行时间向量做去重。在8个CSPLib问题上验证，迭代重构带来显著留出集加速。保留多样化上下文的策略优于仅保留最近或最快尝试的策略。基于验证集的选择进一步提升了所有策略的加速效果。

论文 LLM 约束模型进化搜索

推荐理由：论文提出用LLM做模型重构，跑8个基准问题都有明显提速，做约束求解的可以看看这个PDR策略。

7月21日

12:34

12:34

官方账号arXiv cs.AI@Akshat Gupta, Jermaine Lei, Alexander Lu, Gopala Anumanchipalli, Leshem Choshen

论文拆解了OpenEvolve和TTT-Discover两种自动发现系统的组件，在12个模型-问题对上评估了30种预算匹配框架，涉及超过310万次LLM生成。重复试验统计分析表明，没有一种固定框架在所有情况下表现最优，且OpenEvolve变体普遍不如更简单的方案。研究发现早期发现进度可预测最终性能，因此提出基于早期表现进行预算自适应分配的方案，其效果优于随机固定框架或非自适应集成。该研究建议将框架选择视为超参数，而非通用方案。

论文 OpenEvolve TTT-Discover 自动发现

推荐理由：这篇论文用310万次测试证明没有一种自动发现框架永远最好，建议根据任务灵活调整，值得做Agent研究的同学参考。

7月1日

01:52

01:52

官方账号Jim Fan@jimfan

精选

ASPIRE 是斯坦福团队提出的新型机器人持续学习方法。它通过编码智能体观察仿真与真实机器人的多模态感官痕迹，对控制程序进行进化搜索，并将最佳技能提炼到不断扩展的库中。ASPIRE 实现了约 10 倍的迁移学习计算令牌节省，且开源完整代码。机器人在真实世界中学习 100 个任务后不会像第一次那样迷茫，技能库可无限累积。

AI模型 ASPIRE 机器人技能库

推荐理由：斯坦福团队开源了 ASPIRE，让机器人技能库自动进化，学了 100 个任务后还会越用越强，迁移到真实环境也快 10 倍。

6月19日

10:59

10:59

官方账号arXiv cs.LG@Zongmin Yu, Liu Yang

ASYS（Agentic Symbolic Search）是一个结合进化搜索与梯度优化的智能体框架，用于自动发现偏微分方程的符号表示。在Allen-Cahn 2D问题中，它生成了几何界面公式；在Keller-Segel趋化模型中，它找到了九参数收缩律。该框架不依赖手工推导、网格数值解或神经网络逼近，在五个案例中均产出了可解释的数学结构。ASYS实现了符号回归之外的归纳偏差注入，为理解PDE解提供了新范式。

AI模型 ASYS PDE 符号回归

推荐理由：ASYS让AI自动去发现偏微分方程的数学结构，比如给Allen-Cahn和Keller-Segel找到了以前没人写出来的公式。搞数学或数值计算的可以看看。