ExpEvolve 用想法级因素控制程序进化，作者报告样本效率最高提升 5 倍。
资讯摘要
论文提出 ExpEvolve，针对 AlphaEvolve 类进化式编码代理的变异多停留在表层启发式、缺乏持久控制单元的问题，引入“想法级”因素的提取与控制，从程序中找出能解释评分差异的高层因素。作者给出该方法提升样本效率的理论条件，并构建实用框架，用提取的高层因素指导经验利用，在发现进入平台期时引导探索。在 11 个开放式数学任务上，作者报告最终性能与样本效率提升最高达 5.0 倍，并迁移到 4 个其他 LLM 和 MLS-Bench 的 6 个机器学习任务。
要点速读
- 论文提出 ExpEvolve，在进化式编码代理中加入想法级因素的提取与控制，而非仅做程序表层变异。
- 作者给出理论条件说明想法因素何时能提升样本效率，并构建框架用其指导利用与平台期探索。
- 作者报告在 11 个开放式数学任务上性能与样本效率提升最高 5.0 倍，并迁移到 4 个其他 LLM 与 MLS-Bench 的 6 个机器学习任务。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。