新闻、仓库与研究，按时间排列。
Per Kristian Lehre 等提出分阶段管线，让智能体提出黑盒优化算法，用 Lean 证明期望运行时界并过滤缺陷设计。智能体给出的算法在 CycleUncover 问题达 O(n²)，而经典 (1+1) EA 需 e^Ω(n)；在 8 个问题类上，15 次运行中 12 次用前沿模型完成机器验证的运行时证明，消融显示去掉分阶段会导致照抄基线或证明不完整。
推荐理由：论文展示了分阶段管线让智能体在 Lean 中机器验证算法运行时证明，为无实证评估的开放式算法发现提供了可检验的替代路径。
一篇 arXiv 论文提出进化策略（ES）更新的几何解释：把每个扰动模型视为粒子、其奖励视为质量，群体在奖励加权质心处平衡。作者证明对任意有限种群，均值扣除后的 ES 更新恰好等于这一位移乘以仅依赖平均奖励的标量因子；在大种群或对偶采样极限下，模型从当前位置向自身种群的奖励加权质心移动。
论文提出在冻结的 VLM 外部搜索推理程序，借鉴 AlphaEvolve 的自主进化思路，由 LLM judge 依据训练题失败案例迭代改进代码。在 3 个 VLM 和 4 个科学图表基准上，描述性问题的精确匹配准确率平均从 16.6% 提升到 41.3%，单次最大提升 55.2 个百分点，进化后的程序还比基线快 3.8 倍。
推荐理由：论文说明相当一部分 VLM 图表问答错误来自推理管线而非模型本身，不改权重、只进化推理程序即可大幅提分。
研究者提出多方向 Perturbation-Rewrite Search（PRS）框架，利用 LLM 自动设计 NP-hard 组合优化问题的启发式算法。PRS 通过扩展、压缩与导向三个方向探索启发式设计空间，并采用带自适应算子控制的广度优先搜索，防止过早收敛。在多类组合优化任务上的实验显示，PRS 能持续发现高质量启发式算法。
ExpEvolve 提出在 AlphaEvolve 类进化编码智能体中注入“想法级”抽取与控制，从程序中发现解释得分差异的高层因素，并给出其提升样本效率的理论条件。在 11 个开放式数学任务上，ExpEvolve 将最终性能和样本效率最高提升至 5.0x，改进还可迁移到 4 个其他 LLM 及 MLS-Bench 的 6 个机器学习任务。
一项 arXiv 研究提出「算法模型化」新范式，把迭代算法的执行轨迹当作计算经验，转化为可训练的模型。研究者将迭代优化建模为自回归过程，构建与维度无关的种群-时间架构，并通过先模仿异构教师、再经优化反馈超越的学习框架训练优化器。所得模型可整合异构搜索知识，并泛化到更大规模未见维度，使算法能力可通过学习不断积累。
研究者提出一个进化式框架，由 LLM 提出量子线路设计、独立评估器验证并打分，应用于数值计算、化学、优化、量子模拟和数理等任务。八个任务中七个发现的线路相比现有最优水平显著降低了 Toffoli 与 qubit 数量；在第八个任务中找到了素域模逆的新可逆架构，使原本不适用于可逆整数运算的 divsteps 算法变得可行，并显著改善模逆的 Toffoli-qubit 权衡。
AutoNovo 用智能体程序搜索迭代提出、执行、评估并修订核酸设计器代码，以提升跨模型泛化能力。该方法在 3/3 个 DNA 设计任务的 in-silico 性能上取得评估方法中的最佳均值，并在 6/6 个迁移任务上对独立模型表现最佳。发现的设计器来自一个家族而非单一通用最优设计器，作者计划公开发布这些设计器。
Tanguy Cazalets 与 Joni Dambre 在 GitHub 开源了 HAG，一种受 Hebbian 可塑性启发的储备池计算（Reservoir Computing）改进算法。HAG 基于神经元活动的均值或方差驱动结构可塑性，并依据 Pearson 相关性自主形成与剪枝神经元连接，以提升时间序列预测与分类任务的适应性和效率。相关论文发表于 Nature Communications（2025），仓库以 MIT License 开源，支持 reservoirPy、Optuna 和 librosa。
澳门大学、河海大学与北航研究团队提出 DRL-DCO 算法，用基于 DDPG 的 actor-critic 智能体统一调度 DE 与 CMA-ES 的演化搜索，动态分配探索与开发资源，并联合调节种群规模、精英保留和重启机制。在训练后，策略可在无监督推理模式下仅凭前向推理运行，无需 critic 评估或权重更新。该算法在高维单目标优化基准和 IASC-ASCE 结构健康监测基准上收敛精度与鲁棒性优于最先进的自适应与混合演化算法。
研究者提出一种拉马克式进化框架，用候选训练场景分布之间的竞争取代基于真实度、难度或风险等替代指标的自动驾驶训练策略发现，并将其表述为多阶段双层优化问题。外层通过达尔文式交叉、变异和选择探索场景分布空间，内层策略学习并经拉马克式遗传传递能力，使场景分布与策略能力共同进化。实验显示，完整框架相比基线最多降低 25.07% 的性能损失，蒸馏出的轻量化拉马克训练策略仍实现 19.13% 的降低，代码已在 GitHub 开源。
一项 arXiv 研究提出基于反思进化（ReEvo）的模因算法，用于解决流体天线系统（FAS）的安全端口选择问题，防范窃听。与现有 LLM-GA 仅用 LLM 设计交叉或变异算子不同，该算法让 LLM 离线进化出交叉、变异和局部搜索三类算子，嵌入模因搜索框架后执行时无需在线调用 LLM。相同代数下仿真显示，其安全和速率高于传统 GA 及现有 LLM-GA。