論文の概要: optimize_anything: A Universal API for Optimizing any Text Parameter

• arxiv url: http://arxiv.org/abs/2605.19633v1
• Date: Tue, 19 May 2026 10:18:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.274908
• Title: optimize_anything: A Universal API for Optimizing any Text Parameter
• Title（参考訳）: optimization_anything:任意のテキストパラメータを最適化するためのユニバーサルAPI
• Authors: Lakshya A Agrawal, Donghyun Lee, Shangyin Tan, Wenjie Ma, Karim Elmaaroufi, Rohit Sandadi, Sanjit A. Seshia, Koushik Sen, Dan Klein, Ion Stoica, Joseph E. Gonzalez, Omar Khattab, Alexandros G. Dimakis, Matei Zaharia,
• Abstract要約: 単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。 LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
• 参考スコア（独自算出の注目度）: 98.42497715725356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can a single LLM-based optimization system match specialized tools across fundamentally different domains? We show that when optimization problems are formulated as improving a text artifact evaluated by a scoring function, a single AI-based optimization system-supporting single-task search, multi-task search with cross-problem transfer, and generalization to unseen inputs-achieves state-of-the-art results across six diverse tasks. Our system discovers agent architectures that nearly triple Gemini Flash's ARC-AGI accuracy (32.5% to 89.5%), finds scheduling algorithms that cut cloud costs by 40%, generates CUDA kernels where 87% match or beat PyTorch, and outperforms AlphaEvolve's reported circle packing solution (n=26). Ablations across three domains reveal that actionable side information yields faster convergence and substantially higher final scores than score-only feedback, and that multi-task search outperforms independent optimization given equivalent per-problem budget through cross-task transfer, with benefits scaling with the number of related tasks. Together, we show for the first time that text optimization with LLM-based search is a general-purpose problem-solving paradigm, unifying tasks traditionally requiring domain-specific algorithms under a single framework. We open-source optimize\_anything with support for multiple backends as part of the GEPA project at https://github.com/gepa-ai/gepa .
• Abstract（参考訳）: 1つのLLMベースの最適化システムは、基本的な異なる領域にまたがる特別なツールと一致できるか? スコアリング関数によって評価されたテキストアーティファクトの改善、単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、そして6つの異なるタスクにまたがるインプット・オブ・ザ・アーティファクトに対する一般化として最適化問題を定式化する。 我々のシステムは、ジェミニフラッシュのARC-AGI精度(32.5%から89.5%)の3倍近いエージェントアーキテクチャを発見し、クラウドコストを40%削減するスケジューリングアルゴリズムを発見し、87%がPyTorchにマッチまたは打ち勝つCUDAカーネルを生成し、AlphaEvolveが報告したサークルパッキングソリューション(n=26)を上回っている。 3つの領域にまたがるアブレーションは、動作可能なサイド情報がスコアのみのフィードバックよりも早く収束し、最終的なスコアがかなり高いことを示し、マルチタスク検索は、クロスタスク転送を通じて、同等のプロブレム予算が与えられた独立最適化よりも優れており、関連するタスクの数に応じてスケールする利点があることを示している。 LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであり、伝統的に1つのフレームワークでドメイン固有のアルゴリズムを必要とするタスクを統一する。 https://github.com/gepa-ai/gepa で GEPA プロジェクトの一部として,複数のバックエンドをサポートするOptimized\_anything をオープンソースとして公開しています。

関連論文リスト

• cuGenOpt: A GPU-Accelerated General-Purpose Metaheuristic Framework for Combinatorial Optimization [12.89168708039677]
  cuGenOptは汎用メタヒューリスティックフレームワークで、3つの次元すべてに同時に対処する。 エンジンレベルでは、cuGenOptは統一的なエンコーディング抽象化(置換、バイナリ、整数)、二段階演算子選択機構、ハードウェア対応リソース管理を採用する。 実験では、cuGenOptスイートは、MIPソルバを桁違いに上回り、特殊ソルバと競合する品質を示し、30秒以内にTSP-442の差は4.73%に達する。
  論文  参考訳（メタデータ） (2026-03-19T17:19:21Z)
• A Preprocessing Framework for Efficient Approximate Bi-Objective Shortest-Path Computation in the Presence of Correlated Objectives [17.59787357130767]
  本研究は,両目的性短絡(BOSP)問題と相関する目的が存在することを考察する。 BOSPは、探索空間のサイズが目的関数の数とグラフサイズで指数関数的であるため、一般に計算的に困難である。 相関対象が存在する場合の探索労力を削減できる効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-28T11:26:14Z)
• A*-Decoding: Token-Efficient Inference Scaling [0.0]
  推論時間スケーリングは、言語モデルのパフォーマンスを改善するためのパラメータスケーリングの強力な代替手段として登場した。 A*-decoding(A*-decoding)は、A*検索アルゴリズムに基づいて、固定された計算予算を最適に活用する検索ベースの推論時戦略である。 我々の研究は、より効率的でスケーラブルな言語モデルのデプロイメントにおける将来的な進歩を指して、思慮深い推論時戦略がSLMの推論をいかに向上させるかを実証している。
  論文  参考訳（メタデータ） (2025-05-19T19:19:48Z)
• Scaling LLM Inference with Optimized Sample Compute Allocation [56.524278187351925]
  我々は、異なる推論構成の最適な混合を見つけるアルゴリズムであるOSCAを提案する。 実験の結果,学習した混合アロケーションでは,最高の単一構成よりも精度がよいことがわかった。 OSCAはシングルターンタスク以外のエージェント処理にも有効であることが示されており、デフォルト設定よりも3倍少ない計算でSWE-Benchの精度が向上している。
  論文  参考訳（メタデータ） (2024-10-29T19:17:55Z)
• Towards General and Efficient Online Tuning for Spark [55.30868031221838]
  本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。 我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
  論文  参考訳（メタデータ） (2023-09-05T02:16:45Z)
• Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations [50.591267188664666]
  Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。 提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。 Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T18:17:34Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• A Simple Evolutionary Algorithm for Multi-modal Multi-objective Optimization [0.0]
  マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。 本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
  論文  参考訳（メタデータ） (2022-01-18T03:31:11Z)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)

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。