論文の概要: LEVI: Stronger Search Architectures Can Substitute for Larger LLMs in Evolutionary Search
- arxiv url: http://arxiv.org/abs/2605.09764v1
- Date: Sun, 10 May 2026 21:25:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.40839
- Title: LEVI: Stronger Search Architectures Can Substitute for Larger LLMs in Evolutionary Search
- Title（参考訳）: LEVI: より強力な検索アーキテクチャは進化的検索においてより大きなLLMに取って代わることができる
- Authors: Temoor Tanveer,
- Abstract要約: LEVIは、より強力な検索アーキテクチャが、進化的検索においてより大きなLLMに代えて、あるいは、さらに優れているという賭けに基づいて構築された、ハーネスファーストな進化的フレームワークである。
LeVIは進化的検索の中核となる3つのコンポーネントを改善している: 初めから多様性を確立し、実行中を通してそれを維持するソリューションデータベース、大小のLSMの強みに反応するよりスマートな突然変異ルータ、ロールアウト重度設定のためのランク保存プロキシベンチマークである。
LeVI は ShinkaEvolve や G といった既存のフレームワークのフロンティアモデル実行よりも3.3-6.7倍小さい予算で最高スコアを獲得している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-guided evolutionary methods such as AlphaEvolve have proven effective in domains like math, systems research, and algorithmic discovery, but their reliance on frontier models makes each run expensive. We argue this is largely an artifact of how existing frameworks allocate search: archives that fail to preserve solution diversity force compensation through stronger mutation models; blind model use spends frontier dollars on local edits a smaller model could handle; and full-set evaluation wastes rollouts on redundant examples. We introduce LEVI, a harness-first evolutionary framework built on the bet that stronger search architectures can substitute for or even outperform larger LLMs in evolutionary search. LEVI improves on three core components of evolutionary search: a solution database that establishes diversity from the beginning, and then maintains it throughout the run; a smarter mutation router that plays into the strengths of large and small LLMs; and a rank-preserving proxy benchmark for rollout-heavy settings. Across systems-research benchmarks LEVI attains the highest score on a budget 3.3-6.7x smaller than the published frontier-model runs of existing frameworks like ShinkaEvolve, GEPA, and AdaEvolve; on one problem, LEVI matches the existing best at a 35x lower cost. On prompt optimization, LEVI matches or exceeds GEPA at less than half of its rollout budget on four different benchmarks. LEVI is available as an open-source framework at https://github.com/ttanv/levi.
- Abstract（参考訳）: AlphaEvolveのようなLLM誘導の進化的手法は、数学、システム研究、アルゴリズム発見のような領域で有効であることが証明されているが、フロンティアモデルに依存しているため、それぞれが高価である。
これは、既存のフレームワークが検索を割り当てる方法のアーティファクトである、と我々は主張する。強力な突然変異モデルを通じてソリューションの多様性を保たないアーカイブ、ブラインドモデルの使用は、より小さなモデルで扱えるローカル編集に、フロンティアドルを費やす、冗長な例でフルセット評価の無駄をロールアウトする。
LEVIは、より強力な検索アーキテクチャが、進化的検索においてより大きなLLMに代えて、あるいは、さらに優れているという賭けに基づいて構築された、ハーネスファーストな進化的フレームワークである。
LEVIは進化的検索の中核となる3つのコンポーネントを改善している: 初めから多様性を確立し、実行中を通してそれを維持するソリューションデータベース、大小のLSMの強みに反応するよりスマートな突然変異ルータ、ロールアウト重度設定のためのランク保存プロキシベンチマークである。
システム調査ベンチマーク全体のLEVIは、S ShinkaEvolve、GEPA、AdaEvolveといった既存のフレームワークのフロンティアモデル実行よりも3.3-6.7倍小さい予算で最高点に達している。
迅速な最適化では、LEVIは4つの異なるベンチマークで展開予算の半分以下でGEPAと一致または超えている。
LEVIはhttps://github.com/ttanv/levi.comでオープンソースフレームワークとして利用可能である。
関連論文リスト
- Squeeze Evolve: Unified Multi-Model Orchestration for Verifier-Free Evolution [81.46210789228296]
検証不要な進化推論のための統合型マルチモデルオーケストレーションフレームワークであるSqueeze Evolveを紹介する。
われわれのアプローチは単純な原則で導かれており、最良効能を有するモデル能力を割り当てる。
論文 参考訳（メタデータ） (2026-04-09T02:14:45Z) - RoboPhD: Evolving Diverse Complex Agents Under Tight Evaluation Budgets [0.2126018197183873]
本稿では,エロトーナメントの選択,EPA,グリーディヒルクライミングという3つの最適化パラダイムの体系的比較について述べる。
RoboPhDは、トレーニングとバリデーションの予算を分割する代わりに、トレーニングデータにEloコンペティションを使用してエージェントを同時に評価し、進化を促進する。
我々は、さまざまな複雑なエージェントを進化させるためのシンプルなOptimation_anything() APIを使って、MITライセンスの下で汎用ツールキットとしてRoboPhDをリリースした。
論文 参考訳（メタデータ） (2026-04-06T01:39:13Z) - ThetaEvolve: Test-time Learning on Open Problems [110.5756538358217]
In-context LearningとReinforcement Learning(RL)の両方をテスト時に効率的にスケールするために、AlphaEvolveを単純化し拡張するオープンソースのフレームワークであるThetaEvolveを紹介します。
テスト時にRLを使用するThetaEvolveは、推論のみのベースラインよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-11-28T18:58:14Z) - GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms [7.228213026504935]
GigaEvoはオープンソースのフレームワークで、研究者はLLM-進化のハイブリッドアプローチを研究、実験することができる。
今後の研究を支援するために,システムアーキテクチャ,実装決定,実験方法論の詳細な説明を行う。
論文 参考訳（メタデータ） (2025-11-17T14:44:47Z) - REvolution: An Evolutionary Framework for RTL Generation driven by Large Language Models [2.127921199213507]
LLM(Large Language Models)は、レジスター-トランスファーレベル(RTL)コード生成に使用される。
本稿では,進化計算(EC)とLLMを組み合わせて自動RTL生成と最適化を行うフレームワークであるRevolutionを紹介する。
論文 参考訳（メタデータ） (2025-10-24T12:50:35Z) - Beyond One-Size-Fits-All Pruning via Evolutionary Metric Search for Large Language Models [18.57876883968734]
適応型LLMプルーニングのための効率的な進化的最適化フレームワークである textbftextscOptiShear を紹介する。
我々のフレームワークは,メタプルーニングメトリック上に構築された効率的な検索空間と,迅速な評価のためのモデルワイド再構成誤差の2つの重要なイノベーションを特徴としている。
論文 参考訳（メタデータ） (2025-02-15T09:17:38Z) - LaRA: Benchmarking Retrieval-Augmented Generation and Long-Context LLMs -- No Silver Bullet for LC or RAG Routing [70.35888047551643]
本稿では,RAGとLC LLMを厳格に比較するための新しいベンチマークであるLaRAを提案する。
LaRAは4つのQAタスクカテゴリと3種類の自然発生長文の2326のテストケースを含んでいる。
RAGとLCの最適選択は,モデルのパラメータサイズ,長文機能,コンテキスト長,タスクタイプ,取得したチャンクの特性など,複雑な相互作用に依存する。
論文 参考訳（メタデータ） (2025-02-14T08:04:22Z) - What's Wrong with Your Code Generated by Large Language Models? An Extensive Study [92.62952504133926]
本研究は,3つの一般的なベンチマーク上で,3つの主要なクローズドソースLLMと6つの人気のあるオープンソースLLMの性能評価を行った。
間違ったコードに対するバグの分類を開発し、一般的なバグタイプに対する根本原因を分析した。
本稿では,自己批判を導入し,LLMが生成したコードに対する批判と修正を可能にする,新たな学習自由反復手法を提案する。
論文 参考訳（メタデータ） (2024-07-08T17:27:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。