arXiv cs.AI· Yanning Dai, Yuhui Wang, Nanbo Li, Wenyi Wang, J\"urgen Schmidhuber·· 9 天前AI 评分30
EvoAlloc：面向高效程序进化的自进化资源分配智能体
EvoAlloc: A Self-Evolving Resource Allocation Agent for Efficient Program Evolution
AI 导读
EvoAlloc 是一个自进化资源分配智能体，通过将历史搜索与分配结果沉淀为可复用经验来持续修正分配策略，并用反事实探索机制偶尔评估被拒绝的候选以补充经验。在编码与 agent-harness 优化基准上，它达到基线性能所需的完整评估次数减少 59-82%、LLM token 总量减少 61-89%；在相同完整评估预算下，最终性能高出 8.7-12.0%。
正文 · AI 翻译
摘要：基于 LLM 的程序演化依赖评估反馈来指导对高性能程序的迭代搜索。然而，评估往往计算开销高昂，因此必须将有限资源分配给最能有效推进搜索的候选程序。现有的基于 LLM 的方法通常在整个搜索过程中采用固定的分配策略，可能将资源浪费在低价值候选程序上，同时忽视有潜力的候选程序。我们提出 EvoAlloc，一种自演化的资源分配智能体，它从搜索经验中学习，以修订其在候选程序之间分配计算资源的策略。EvoAlloc 定期将先前的搜索与分配结果整合为可复用的经验，用以指导后续的策略修订。它还采用反事实探索机制，偶尔评估被分配器拒绝资源的候选程序，揭示其结果以丰富自身经验，用于未来的策略更新。在编码和智能体框架优化基准上，EvoAlloc 达到基线水平性能所需的完整评估次数减少 59-82%，总 LLM token 数减少 61-89%。此外，在相同的完整评估预算下，EvoAlloc 的最终性能高出 8.7-12.0%。
| 评论： | 31 页，11 幅图，9 张表 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.12086 [cs.AI] |
| （或使用 arXiv:2610.12086v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.12086 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yanning Dai [查看邮箱]
[v1]
2026 年 10 月 8 日星期四 14:57:35 UTC（2,443 KB）
来源：arXiv cs.AI · arxiv.org