arXiv cs.AI· Yang Yang, Zining Zhong, Jindong Li, Jiemin Wu, Kaishen Yuan, Wenshuo Chen, Menglin Yang, Yutao Yue·· 3 天前AI 评分26
TurboEvolve：面向快速稳健 LLM 驱动程序进化的多岛框架
TurboEvolve: Towards Fast and Robust LLM-Driven Program Evolution
AI 导读
TurboEvolve 是一个多岛进化框架，在相同 API 成本预算下提升 LLM 驱动程序进化的样本效率与稳定性。它引入 Verbalized Sampling，在单次 LLM 调用中生成 K 个候选，并用在线调度器自适应调整 K；同时通过 island-aware initialization 对种子程序聚类并做受控跨簇混合。
正文 · AI 翻译
摘要：LLM 驱动的程序演化能够发现高质量程序，但高昂的 API 成本和运行间差异阻碍了可靠进展。我们提出 TurboEvolve，一种多岛演化框架，在匹配的 API 成本预算下提升样本效率和稳定性。受演化算法中多后代策略的启发，TurboEvolve 引入 Verbalized Sampling，在一次 LLM 调用中引出 K 个多样化候选，同时仅将自分配概率用作生成信号，并结合一个在线调度器，自适应调整 K，以在停滞时扩大探索、在稳步进展时减少冗余生成。为利用现有解池，TurboEvolve 进一步引入岛屿感知初始化，将种子程序聚类为模式特定的子种群，并应用受控的跨簇混合与精英保留，以平衡多样性、共享和精炼。我们还整理了一个可复用的跨任务解池数据集，以支持热启动初始化研究和匹配资源比较。在数学发现和 GPU 内核优化任务中，TurboEvolve 相比受控基线实现了更强的成本-质量权衡和更稳定的性能，同时达到有竞争力的已报告分数。
| Comments: | 12 页，8 幅图 |
| Subjects: | 神经与演化计算 (cs.NE)；人工智能 (cs.AI) |
| Cite as: | arXiv:2604.18607 [cs.NE] |
| （或 arXiv:2604.18607v2 [cs.NE] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2604.18607 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Zining Zhong [查看邮箱]
[v1]
2026 年 4 月 12 日星期日 12:42:09 UTC（3,393 KB）
[v2]
2026 年 10 月 12 日星期一 13:56:56 UTC（3,329 KB）
来源：arXiv cs.AI · arxiv.org