【免费下载链接】ASI-Evolve项目地址https://gitcode.com/gh_mirrors/as/ASI-Evolve点击查看免费下载ASI-Evolve 是一个通用 AI 自主研究框架它能像研究员一样读文献 → 提假设 → 跑实验 → 复盘总结并把这个循环自主重复下去。它自带的圆装箱Circle PackingDemo 任务很简单在单位正方形内摆放 26 个圆让所有圆的半径之和最大。这个基准的 SOTA 参考值是 AlphaEvolve 给出的2.635而 ASI-Evolve 最快只需17 轮进化就能逼近这一成绩。本文将完整复盘这轮进化的任务设定、运行机制和逐阶段演化过程。一、ASI-Evolve 的核心进化循环四个动作不断重复ASI-Evolve 的工作方式可以概括为一个四步循环每一轮都执行一次步骤动作通俗解释1️⃣ LEARN检索历史实验与领域知识翻翻以前的笔记和论文2️⃣ DESIGN提出下一个候选程序设计新方案3️⃣ EXPERIMENT运行并采集结构化指标跑实验拿数据4️⃣ ANALYZE把结果沉淀为可复用教训写复盘报告这个循环由三个 Agent 协作驱动源码位于 pipeline/ 目录Researcherpipeline/researcher/读取实验数据库和认知库提出下一个候选程序Engineerpipeline/engineer/执行候选代码收集结构化指标Analyzerpipeline/analyzer/把结果蒸馏成可迁移的教训供后续轮次使用还有两套记忆系统防止进化原地打转Cognition Store认知库cognition/cognition.py预先注入领域知识、论文结论和启发式规则AI 不从零开始Experiment Database实验库database/database.py记录每一次尝试的动机、代码、结果和分析父代选择支持 UCB1、贪心、随机和 Island 岛屿采样二、任务设定圆装箱 Demo 是怎么搭起来的圆装箱 Demo 位于 experiments/circle_packing_demo/一个目录包含运行所需的全部文件circle_packing_demo/ |-- input.md ← 任务描述问题 目标分数 2.635 |-- initial_program ← 初始基线程序 |-- evaluator.py ← 评测器跑程序、校验合法性、打分 |-- eval.sh ← 每轮调用的评测入口脚本 |-- init_cognition.py ← 注入领域知识的认知种子 |-- config.yaml ← 实验配置 -- prompts/ ← Researcher / Analyzer 的提示词模板几个关键设计目标明确任务描述 input.md 直接写明 n26 时 AlphaEvolve 的参考值2.635让 AI 始终知道终点在哪。评测器即裁判evaluator.py 会在独立子进程中运行候选程序带超时保护逐一校验圆不出界、两圆不相交合法则按半径之和打分非法直接记 0 分。认知种子提前打init_cognition.py 预置了约 10 条领域知识包括六边形密排密度 π/(2√3)≈0.9069边界效应大圆放角落用 SLSQP 多起点优化differential_evolution 突破平台期等——相当于让 AI 带着教材开工。 这套任务描述 评测器 认知种子的三件套就是把你自己的问题接入 ASI-Evolve 的全部成本。三、快速运行三步启动圆装箱进化实验在仓库根目录执行仓库地址https://gitcode.com/gh_mirrors/as/ASI-Evolve git clone https://gitcode.com/gh_mirrors/as/ASI-Evolve cd ASI-Evolve pip install -r requirements.txt # 1. 初始化认知库 python experiments/circle_packing_demo/init_cognition.py # 2. 运行进化--eval-script 需传绝对路径 python main.py \ --experiment circle_packing_demo \ --steps 10 \ --sample-n 3 \ --eval-script /绝对路径/experiments/circle_packing_demo/eval.sh注意 config.yaml 中有两个与进化质量强相关的设置sample_n: 3每轮给 Researcher 展示 3 个历史节点作为参考sampling.algorithm: island使用 MAP-Elites 风格的岛屿采样按complexity代码复杂度和diversity结构多样性两个维度分箱兼顾挖深和探索避免所有轮次都围着同一个局部最优打转四、逐轮进化复盘从同心圆基线到 17 轮逼近 SOTA仓库在 experiments/best/circle_packing/ 目录保存了消融运行中的高分程序配合代码注释里的阶段痕迹如v1、Refine、EvoRefiner等命名可以完整还原出这条进化轨迹。大致可分为四个阶段阶段 1几何基线 → 优化器入场前几轮初始程序 initial_program 用的是一个朴素的同心圆环布局中心 1 个大圆 内环 8 个 外环 16 个再用距离边界取最小值 重叠时等比缩放来硬算半径。它保证合法但分数离 2.635 相去甚远。前几轮的进化很快找到了正确方向放弃硬编码布局改用先定圆心、再算最大合法半径的构造式思路。这正是认知种子里多起点 约束优化知识的直接落地。阶段 2多起点局部优化中段轮次代表性产物是 code_ucb17其结构是多种几何种子六边形密排式、四角加强式、贪心最远插入式 抖动变体共 3~5 个起点解析式最大半径固定圆心时半径上限 min(到四壁距离, 到最近邻圆距离的一半) 减去 epsilon无需迭代即可算出逐种子 L-BFGS-B 局部精修圆心保留最优者differential_evolution 全局搜索种群以最优解扰动初始化逃离局部最优SLSQP 联合精修圆心 半径带显式不等式约束最后做合法性修复到第 17 轮前后这一路线已逼近 SOTA 水平——也就是 README 所说最快 17 轮达到 SOTA 级结果的由来。阶段 3LP 内环把算半径交给线性规划中后段中段出现了一次关键的结构升级固定圆心时求最大合法半径和本身就是一个线性规划问题r_i r_j ≤ d_ij。code_map79 与 code_map147 都采用了双层求解内层用scipy.optimize.linprogHiGHS 后端精确求解固定圆心下的最优半径——比最近邻一半的解析近似更优因为它考虑了全部成对约束外层用 differential_evolution 搜索圆心收尾SLSQP 联合精修 时间预算控制time_budget参数保证每轮评测不超时这体现了 Analyzer 的复盘价值早期解析半径略保守的教训被显式写入后续节点Researcher 据此改用了更精确的 LP 内环。阶段 4高精度收尾后期轮次code_map286 把这套管线打磨到极致LP 容差细化到 1e-9、SLSQP 的maxiter拉到 4000、ftol压到 1e-12并保留最终 LP 挤水squeeze步骤——在最优圆心下再榨出最后一点半径。后期轮次的改动越来越小分数提升越来越微这正是进化收敛的典型特征。五、为什么 ASI-Evolve 能这么快逼近 SOTA复盘整个进化过程有四个因素值得借鉴带着知识开工认知库中的六边形密排、SLSQP 多起点、DE 突破平台期等条目让第一轮就站在成熟方法论的肩膀上而不是盲试。提示词模板 researcher.jinja2 还会把几何洞察密排密度、边界效应直接写进系统提示。每轮都留证据链Analyzer 按 analyzer.jinja2 的要求输出分数对比、哪些选择有效、下一步具体改什么、与参考节点逐项对比教训以文本形式进入数据库被后续轮次检索复用。岛屿采样防止近亲繁殖island 算法按复杂度/多样性分箱database/algorithms/island.py保证短代码和长代码、相似结构和全新结构的候选都有机会被选为父代。评测器零容忍越界或重叠直接 0 分进化压力全部集中在合法前提下的半径和分数曲线单调可比。六、把这套方法迁移到你自己的任务如果你有一个代码写得更好 结果更好的问题调度策略、启发式算法、流水线调参只需准备三样东西就能复用这套流程一个input.md式的问题描述含明确的优化目标和参考基准一个evaluator.pyeval.sh式评测器输入程序路径输出结构化分数一份init_cognition.py式领域知识种子完整的仓库结构见 README.md核心调度逻辑在 pipeline/main.py支持断点续跑、4 路并行 worker轻量化试用可以先装 skills/evolve/ 下的 Evolve Agent Skill。总结ASI-Evolve 的圆装箱 Demo 用一次真实的进化过程演示了它的核心主张给 AI 一个可评测的问题和一份领域知识它就会自己完成假设—实验—复盘的科研闭环。从同心圆基线到六边形密排从解析半径到 LP 内环再到高精度收尾17 轮内逼近 SOTA 的每一步都有据可查、可复现。这也意味着你完全可以用同样的方式让它去攻你自己的硬问题。赞分享【免费下载链接】ASI-Evolve项目地址https://gitcode.com/gh_mirrors/as/ASI-Evolve点击查看免费下载相关推荐10分钟快速上手ASI-Evolve圆装箱Demo安装配置与首轮演化实战教程10分钟快速上手ASI Evolve圆装箱Demo安装配置与首轮演化实战教程 ASI Evolve 是一个开源的 AI 自动研究agentic框架能自动OBS Studio应用 LUT滤镜实战指南一张查表文件换掉整个直播观感OBS Studio应用 LUT滤镜实战指南一张查表文件换掉整个直播观感 OBS Studio 内置的 Apply LUT 滤镜让你只用一张图片就能给画音视频直播屏幕录制视频处理桌面应用7 轮加 4 轮的数学DeepOpen 两阶段微调如何在 3080 条样本上逼近 94.09%7 轮加 4 轮的数学DeepOpen 两阶段微调如何在 3080 条样本上逼近 94.09% 在意图分类这类结构化决策任务上传统做法是拿着预训练编码器一口人工智能大模型模型推理服务强化学习NLP创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考