SwarmEvolve، چارچوبی مبتنی بر هوش مصنوعی برای بهبود برنامه‌های رایانه‌ای، از جست‌وجوی سریع‌تر و میانگین امتیاز بالاتر در ۲۱ مسئله ریاضی و محاسبات علمی در مقایسه با سه چارچوب رقیب خبر می‌دهد. این پژوهش در ۵ نوامبر ۲۰۲۶ در arXiv منتشر شد. داوری همتای آن تأیید نشده و یافته‌ها حاصل ارزیابی خود نویسندگان چارچوب است.
در جست‌وجوی تکاملی برنامه، برنامه‌های پیشنهادی بارها تولید و ارزیابی می‌شوند و نمونه‌های موفق، تغییرات بعدی را هدایت می‌کنند. SwarmEvolve می‌کوشد زمان صرف‌شده برای تولید استدلال نوشتاری را کاهش دهد؛ به این منظور، عامل‌ها با بازنمایی‌های پیوسته داخلی مدل، موسوم به حالت‌های نهفته، کار می‌کنند.
هر دور شامل ۱۰ گروه ۴۵عاملی، در مجموع ۴۵۰ عامل، است. گروه‌های مختلف برنامه‌های قوی را اصلاح می‌کنند، رویکردها را ترکیب می‌کنند، گزینه‌های دیگر را می‌کاوند یا مسیر تازه‌ای می‌جویند. هر عامل ۴۰ گام استدلال نهفته انجام می‌دهد. یک پالایه، بردارهای وضعیت پنهان را مقایسه می‌کند و برای حفظ تنوع، ۳۰ عامل از هر گروه را نگه می‌دارد. سپس یک عامل خلاصه‌ساز، حافظه‌های نهان KV آن‌ها، یعنی کلیدها و مقادیر ذخیره‌شده سازوکار توجه در ترنسفورمر، را دریافت می‌کند و برنامه‌ای کامل به‌صورت متن می‌نویسد. برنامه‌ها ارزیابی و بایگانی می‌شوند و عاملی جداگانه تغییر پارامترهای عددی را پیشنهاد می‌کند.
این ارزیابی SwarmEvolve را با OpenEvolve، ShinkaEvolve و CodeEvolve با استفاده از مدل‌های Qwen3 8B، 14B و 32B-FP8 مقایسه کرد. هر چارچوب برای هر مسئله و مدل، با سه بذر تصادفی و بودجه زمانی ۶۰ دقیقه، یک پردازنده گرافیکی و هشت هسته پردازنده مرکزی اجرا شد. سخت‌افزار گرافیکی برای اندازه‌های مختلف مدل متفاوت بود؛ بنابراین مقایسه میان اندازه‌ها، تغییر سخت‌افزار را نیز در بر می‌گیرد.
شانزده تکلیف از مسائل منتشرشده AlphaEvolve در چیدمان، هندسه، آنالیز و ترکیبیات گرفته شده بود. پنج تکلیف طراحی‌شده توسط نویسندگان نیز جبر خطی عددی و معادلات دیفرانسیل را پوشش می‌داد. امتیازهای ریاضی نسبت به ساخت‌های منتشرشده AlphaEvolve نرمال‌سازی شدند؛ امتیازهای محاسبات علمی نشان‌دهنده تعداد ارقام صحیح در مقایسه با پاسخ‌های مرجع با دقت بالا بودند. در نتیجه، میانگین ترکیبی یک معیار بنچمارک است، نه درصد دقت.
با Qwen3 8B، میانگین بهترین امتیاز SwarmEvolve در مهلت تعیین‌شده ۰٫۸۰۴ بود؛ در برابر ۰٫۶۹۳ برای OpenEvolve، مقدار ۰٫۶۴۲ برای ShinkaEvolve و ۰٫۷۰۰ برای CodeEvolve. این چارچوب با دو مدل بزرگ‌تر نیز بالاترین میانگین را داشت، هرچند در همه تکلیف‌ها پیشتاز نبود.
نویسندگان گزارش می‌کنند که تعداد برنامه‌های ارزیابی‌شده در هر ساعت ۵ تا ۱۳ برابر بود. میانه زمان رسیدن به امتیازهای ۶۰دقیقه‌ای رقبا با مدل 8B برابر ۴ تا ۸ دقیقه و با مدل‌های بزرگ‌تر ۳ تا ۶ دقیقه بود. برخی امتیازهای هدف در طول یک ساعت به دست نیامدند.
طبق گزارش، SwarmEvolve با مدل 8B در سه تکلیف از ساخت‌های منتشرشده AlphaEvolve فراتر رفت؛ این تعداد برای هر چارچوب مقایسه‌ای یک تکلیف بود. نتایج آن شامل رسیدن به بهترین مجموع شعاع‌های شناخته‌شده در مرجع مورد استناد برای ۲۶ دایره در یک مربع، برابر با ۲٫۶۳۵۹۸۳، و بهبود دو کران خودهمبستگی بود. این مقایسه‌ها با ساخت‌های منتشرشده انجام شده‌اند، نه با اجرای تازه AlphaEvolve تحت شرایط یکسان.
شواهد از عملکرد کل چارچوب در این شرایط آزمایش پشتیبانی می‌کنند. بااین‌حال، SwarmEvolve سازمان‌دهی جست‌وجو، پالایش تنوع و تنظیم پارامترها را نیز تغییر می‌دهد؛ مقایسه اصلی نمی‌تواند همه بهبودها را صرفاً به ارتباط نهفته نسبت دهد.
برای هر وضعیت فقط سه بذر آزمایش شد و مقایسه اصلی بنچمارک، فاصله اطمینان یا آزمون معناداری ارائه نمی‌کند. چارچوب‌های مبنا با تنظیمات پیش‌فرض اجرا شدند و تعمیم به مسائل دیده‌نشده و احتمال مواجهه قبلی مدل با راه‌حل‌های موجود همچنان روشن نیست. بازآزمایی مستقل و اندازه‌گیری مستقیم هزینه پولی یا مصرف انرژی ارائه نشده است. همه عامل‌ها باید از یک مدل مشترک استفاده کنند، پیاده‌سازی به سازوکار توجه استاندارد نیاز دارد و حافظه نهان KV با افزایش تعداد عامل‌ها، طول استدلال و عمق مدل رشد می‌کند.
تصویر جلد با هوش مصنوعی تولید شده و تصویرسازی مفهومی است؛ مدرک پژوهش نیست.