arXiv cs.CL· Seung Won Wilson Yoo, Chang Zeng, Aditi Somayajula, Sahithi Ankireddy, Rohan Kosalge, Avishree Khare, John Mitchell, Aditya G. Parameswaran, Rajhans Samdani, Anupam Datta·· 6 天前AI 评分39
CoCoEvolve：Meta-Reflective Evolution 如何优化生产级 AI 系统
Meta-Reflective Evolution Effectively Improves Production AI Systems
AI 导读
研究者提出进化优化器 CoCoEvolve（Cortex Code Evolve），其核心机制为 meta-reflection：由智能体式变异器 Cortex Code 从完整进化历史中检索证据、探测在线系统后再验证并提交变异。
正文 · AI 翻译
摘要：大语言模型（LLM）引导的进化优化已成功改进了提示词、程序乃至整个 AI 系统。大多数优化方法从搜索前沿中选择一个候选，然后仅基于其失败情况，通过一次 LLM 处理对其进行变异。这种对前沿的关注在生产 AI 系统上可能会停滞，因为孤立的失败几乎无法揭示复杂的隐藏交互。我们提出 CoCoEvolve（Cortex Code Evolve），一种进化优化器，围绕我们称之为元反思（meta-reflection）的机制构建，其中智能体变异器（Cortex Code）从整个进化历史中有选择地检索证据，并在验证和提出变异之前探测实时系统。我们将 CoCoEvolve 应用于优化三类生产 AI 系统：数据智能体、LLM 驱动的数据管道和数据工程工作流。在 DABStep 上，CoCoEvolve 位居公开排行榜榜首，在匹配条件下达到 92.8% 的留出困难准确率，而 Meta-Harness 为 78.4%，GEPA 为 30.4%。在六个 LLM 数据管道工作负载上，它优于所有评估的基线。在 data-eng-bench 上，CoCoEvolve 将测试集解决率从 59.1% 提升至 77.4%，超过最佳基线 73.6%。在 HotpotQA 上，它的准确率也比 GEPA 高 11 个百分点，同时在已有的数学和系统基准上与专用优化器保持竞争力。匹配的消融实验证实，CoCoEvolve 的每个组件都对这些提升有所贡献，证明了元反思在优化生产 AI 系统方面的价值。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL）；软件工程（cs.SE） |
| 引用为： | arXiv:2610.12794 [cs.LG] |
| （或 arXiv:2610.12794v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.12794 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Seung Won Wilson Yoo [查看电子邮件]
[v1]
2026年10月8日星期四 23:00:44 UTC（460 KB）
来源：arXiv cs.CL · arxiv.org