SwarmEvolve:让智能体通过潜空间协作搜索程序

论文提出用成群智能体在潜空间中推理,再由汇总智能体生成程序;其具体流程包括分组探索、差异筛选、缓存传递和确定性评估。

Share
SwarmEvolve:让智能体通过潜空间协作搜索程序
原文配图 · 图片出处

论文阅读笔记 · arxiv.org · 原文日期 2026-11-05

从初始程序建立搜索档案

SwarmEvolve 是作者提出的程序演化搜索框架,面向数学与科学计算问题。搜索需要一个初始程序,通常是简单的基线解法。框架保存候选程序、分数和评估反馈,每轮从档案中选择父程序,继续改进或组合已有方案。

每群用45种提示展开探索

论文给出的每轮配置是10个群组,每群45个潜空间智能体。群内共享一个主要方向,但各自收到不同提示:同一方向的五种表述,与九种思考方式组合。思考方式包括从第一原理出发、重新检查假设,让同一方向获得多种切入角度。

筛选差异后传递KV缓存

每个智能体进行40步潜空间推理,不把中间过程解码成文字。新颖性过滤器随后剔除每群中最相似的15个智能体;汇总智能体读取其余成员的KV缓存,生成一个新程序。作者用这种缓存传递方式承接群内思路,最终仍输出程序文本。

程序经过检查与确定性评分

生成程序后,框架先丢弃与此前程序重复的候选,检查语法,并自动补入缺失的标准包导入语句。随后,确定性评估器在一个CPU核心上评分。程序连同分数、日志和错误信息进入档案,供后续轮次使用;生成本身并不等于获得有效解。

对流扩散示例仍有局部误差

附录展示了对流扩散方程在参数ε为千分之一时的解及绝对误差。作者指出,误差集中在横坐标为1、纵坐标为1的边界层,以及从原点出发的特征线上。这是论文图示报告的误差分布,不能据此把生成的数值程序视为处处精确。

原始标题:SwarmEvolve: Latent Agent Swarms for Evolutionary Discovery and Optimization
来源:arxiv.org