核心观点 - Sakana AI推出的开源框架ShinkaEvolve实现了大语言模型自我代码优化的进化计算，在性能比肩谷歌AlphaEvolve的同时，将样本效率提升了数十倍，仅需150次评估即可完成以往需数千次评估的任务[1][3][6][22] 技术架构创新 - 框架核心在于三大关键技术：平衡探索与利用的亲本抽样技术、代码新颖性拒绝抽样、基于多臂老虎机的LLM集成选择策略[7][11] - 亲本抽样技术采用岛群模型将种群分为独立子群并行进化，结合top-K优质解与随机样本选取，并通过幂律抽样和加权抽样平衡已知方案与新想法探索[13] - 代码新颖性拒绝抽样通过嵌入相似度筛选（阈值如0.95）加LLM判优的二级过滤机制，减少生成重复变异体的无效计算[14][16] - LLM集成选择策略基于UCB1算法动态调度模型，通过访问计数器和得分估计即时更新评分，并借助指数函数强化显著改进的贡献权重[17][18] 性能验证与实验结果 - 在数学优化任务（如26个圆在单位正方形内半径和最大化）中，ShinkaEvolve仅需150次评估，而AlphaEvolve需数千次评估，样本效率实现数量级提升[20][22] - 在智能体设计任务（2024年AIME竞赛30道数学推理题）中，框架显著优于简单单查询代理和复杂多数投票方法，7次LLM查询即产生最大性能，并在2023年、2025年题目上表现稳定[23][25] - 在竞争性编程基准测试（ALE-Bench）中，10道AtCoder竞赛题平均得分提升2.3%，其中ahc039任务排名从第5名升至第2名[28][29] - 在混合专家负载均衡损失函数任务中，新生成的损失函数在7个下游任务上均表现出更高准确率和更低困惑度，且随正则化系数增大优势更显著[30][32]