图注：看看这爬坡曲线！前期疯狂试错，中期集中资源优化，一旦停滞，触发元引导，立刻打破瓶颈，一路狂飙到SOTA！
效果炸裂，这才是终极形态。
这两个脑洞大开的设计，效果怎么样？
EvoX在近200个真实的优化任务上（涵盖数学优化、系统性能优化、竞赛编程等）一通测试，在数学和系统优化基准中，在96%的任务上都取得了最优。
AdaEvolve同样在185个开放式优化问题上大杀四方。特别是在极其吃策略的Circle Packing（圆形排样）问题上，AdaEvolve甚至打破了人类专家和 AlphaEvolve保持的SOTA记录！
这种能自己换挡的自动变速箱，在实际的复杂优化中太重要了。比如咱们常说的卫星任务调度，应急任务来了需要快速探索新方案，常规任务需要精细打磨现有方案，固定的策略根本应付不来，而像EvoX和AdaEvolve这种能感知种群状态并自适应调整的框架，显然就游刃有余了。
从技术视角看，把如何搜索纳入搜索本身，形成了一种自指（self-referential）的优化范式，这才是自动算法设计的终极梦想，不是吗~
这两篇神作的代码都已经开源，更多硬核细节和case study可以参考相关文章和代码。
最后，欢迎转载，欢迎留言，欢迎扔砖，欢迎吐槽，欢迎提问。
参考文献：
[1] Romera-Paredes, B., Barekatain, M., Novikov, A., Balog, M., Kumar, M. P., Dupont, E., ... & Fawzi, A. (2024). Mathematical discoveries from program search with large language models. Nature, 625(7995), 468-475.
[2] Liu, F., Tong, X., Yuan, M., Lin, X., Luo, F., Wang, Z., ... & Zhang, Q. (2024). Evolution of heuristics: Towards efficient automatic algorithm design using large language model. arXiv preprint arXiv:2401.02051.
[3] S. Liu and S. Agarwal et al., "EvoX: Meta-Evolution for Automated Discovery," arXiv preprint, Feb. 2026.
[4] M. Cemri, S. Agrawal et al., "AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization," arXiv:2602.20133, Feb. 2026.
