FrugalEvo框架实现低成本LLM程序进化，圆打包任务刷新SOTA
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载强弱模型协作与缓存优化
针对LLM引导进化方法（如AlphaEvolve）通常只优化固定迭代次数内性能增益而忽视开销的问题，FrugalEvo提出成本感知框架。其核心机制是将进化过程解耦：由能力更强但调用成本高的LLM负责探索解策略，而调用成本更低的廉价LLM负责将策略转化为代码并执行迭代细化。同时，框架设计了缓存高效的进化流程，通过优化运行组件与提示词，最大化不同进化步骤间前缀的共享程度，从而显著提升缓存复用率，降低实际推理开销。
BA-AUC评测指标与任务表现
为准确衡量在有限成本预算内随开销累积所能获取的最优解质量，研究引入了BA-AUC指标，计算截至预算上限时，当前最佳评估分数曲线下的面积。在10项数学与系统优化任务中，FrugalEvo在最终解质量上匹敌或超越OpenEvolve、ShinkaEvolve、AdaEvolve及EvoX等基线，并在其中9项任务取得更高BA-AUC。在ALE-Bench-Lite的10项算法优化任务上，其平均性能同样优于上述基线。
圆打包任务突破与极低开销
在极具挑战的圆打包任务上，FrugalEvo取得了新的最优性能。具体而言，采用GPT-5.6的Terra与Luna模型组合仅需1.68美元，采用GLM-5.3及其Flash变体组合仅需0.55美元，即可匹敌或超越所有对比基线。相比之下，CORAL和SwarmResearch等多智能体方法在该任务上的平均花费约为50美元。这表明FrugalEvo在解决复杂计算优化问题时，能以极低的成本实现与高开销方案相当甚至更优的效果。
为什么值得看
以极低推理成本实现LLM进化寻优，打破算力瓶颈，为计算优化提供高性价比新范式。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。