LEVI：在进化搜索中更强的搜索架构可替代更大的 LLM
神经与进化计算
2026-05-12 v1 人工智能
摘要
诸如 AlphaEvolve 等 LLM 引导的进化方法已在数学、系统研究和算法发现等领域证明有效，但它们对前沿模型的依赖使得每次运行成本高昂。我们认为这在很大程度上是现有框架分配搜索方式的产物：未能保持解多样性的存档迫使通过更强的变异模型进行补偿；盲目的模型使用将前沿预算花费在较小模型即可处理的局部编辑上；全集评估在冗余样本上浪费了 rollout。我们提出了 LEVI，这是一个以测试框架为先的进化框架，其建立于如下赌注：更强的搜索架构可以在进化搜索中替代甚至超越更大的 LLM。LEVI 改进了进化搜索的三个核心组件：一个从一开始就建立多样性并在整个运行过程中维持多样性的解数据库；一个发挥大小 LLM 各自优势的更智能的变异路由器；以及一个用于 rollout 密集环境的保序代理基准。在系统研究基准上，LEVI 以比 ShinkaEvolve、GEPA 和 AdaEvolve 等现有框架已发表的前沿模型运行小 3.3-6.7 倍的预算取得了最高分；在一个问题上，LEVI 以低 35 倍的成本匹配了现有最佳结果。在提示优化方面，LEVI 在四个不同基准上以不到一半的 rollout 预算匹配或超越了 GEPA。LEVI 作为一个开源框架可在 https://github.com/ttanv/levi 获取。
引用
@article{arxiv.2605.09764,
title = {LEVI: Stronger Search Architectures Can Substitute for Larger LLMs in Evolutionary Search},
author = {Temoor Tanveer},
journal= {arXiv preprint arXiv:2605.09764},
year = {2026}
}