深度分析
LLM 變異算子在基因程式演化中的結構同質化與探索限制
在無選擇壓力下，研究LLM作為程式變異算子是否能持續產生新形態。實驗以強型別DSL進行300步變異鏈，發現變異高度收斂，超過87%鏈的結構形式在93%以上的步驟中重複出現，變化多為模板內的終端置換，且常形成短循環或自環。提示語與模型會影響收斂速率，但收斂現象在各條件下皆穩健。
深度分析
在無選擇壓力下，研究LLM作為程式變異算子是否能持續產生新形態。實驗以強型別DSL進行300步變異鏈，發現變異高度收斂，超過87%鏈的結構形式在93%以上的步驟中重複出現，變化多為模板內的終端置換，且常形成短循環或自環。提示語與模型會影響收斂速率，但收斂現象在各條件下皆穩健。
深度分析
隨著工業AI對組合與最佳化問題需求提升，研究團隊提出CheckMate結合OpenEvolve的程式演化框架，僅以「什麼」的形式規範解答與自然語言描述，引導LLM產生專屬求解器。實驗顯示，在配置與排程等兩大產業領域，演化出的演算法在大型或困難案例上遠超現有最佳求解器，展現自動化產生高效演算法的潛力。