optimize_anything: 优化任意文本参数的通用API
计算与语言
2026-05-20 v1 人工智能
机器学习
神经与进化计算
软件工程
摘要
单一的LLM-based优化系统能否匹配专用工具在根本不同领域的表现？我们展示了当优化问题被建模为改进以评分函数评估的文本制品时，单一AI-based优化系统（支持单任务搜索、跨问题迁移的多任务搜索以及对未见输入的泛化）在六个多样化任务中实现最先进的结果。我们的系统发现agent架构，使Gemini Flash的ARC-AGI准确率几乎翻倍（从32.5%提升至89.5%），找到可降低云成本40%的调度算法，生成的CUDA内核中87%与PyTorch相匹配或更好，且在AlphaEvolve报告的圆 packing解决方案中超越（n=26）。在三个领域的消融实验揭示，具有可操作side信息的反馈比仅供分数反馈更快收敛且最终得分显著更高；多任务搜索在等效每问题预算下优于独立优化，因跨任务迁移而表现更好，收益随相关任务数量而增长。我们首次表明，基于LLM的文本优化是一种通用问题解决范式，统一了传统需要领域特定算法的任务。我们开源optimize_anything，支持多个后端，作为GEPA项目的一部分发布于https://github.com/gepa-ai/gepa。
引用
@article{arxiv.2605.19633,
title = {optimize_anything: A Universal API for Optimizing any Text Parameter},
author = {Lakshya A Agrawal and Donghyun Lee and Shangyin Tan and Wenjie Ma and Karim Elmaaroufi and Rohit Sandadi and Sanjit A. Seshia and Koushik Sen and Dan Klein and Ion Stoica and Joseph E. Gonzalez and Omar Khattab and Alexandros G. Dimakis and Matei Zaharia},
journal= {arXiv preprint arXiv:2605.19633},
year = {2026}
}
备注
16 pages, 11 figures; Blog: https://gepa-ai.github.io/gepa/blog/2026/02/18/introducing-optimize-anything/