FrugalEvo：面向成本感知的 LLM 引導程式進化

技术背景与问题定义

LLM 引导的进化方法，例如 AlphaEvolve，已经成为解决圆填充等高难度计算优化问题的有力手段。它的基本循环并不复杂：让大模型针对现有程序提出修改，用评测函数给新程序打分，把表现好的程序留在候选池里，再进入下一轮。 过去的工作通常在固定迭代次数下比较性能提升。这种比较方式有一个盲点：它不看花了多少钱。迭代次数相同，花费并不相同。强模型的单次调用更贵，输出的推理更长，上下文也更容易膨胀。把预算锁定在迭代数上，这些差异就被隐藏了。 FrugalEvo 的作者提出一个更贴近实际的目标：最大化单位成本的收益，而不是固定轮数内的收益。摘要给出的对照数字很直白。多智能体方法 CORAL 和 SwarmResearch 在圆填充任务上平均花费约 50 美元。FrugalEvo 报告的花费是 1.68 美元和 0.55 美元，并声称结果持平或更好。如果这些数字成立，问题就不再是"能不能找到好解"，而是"找到好解要付多少钱"。

需要说明：本文只依据论文摘要整理。摘要没有披露的细节，例如具体提示词、缓存命中率、各任务的绝对分数，这里不做推断。

核心架构与原理解析

摘要描述了三个相互配合的设计。 第一，强弱模型分工。较强、较贵的 LLM 负责探索解题策略，也就是决定"往哪个方向走"。较便宜的 LLM 负责落地：把策略实现成代码，并在后续迭代中反复修改这些代码。这个分工的前提是，进化过程中不同环节对模型能力的要求并不一样。高层策略选择需要判断力，代码实现和局部精修则更依赖大量的低成本尝试。把昂贵的调用留给少数关键决策，是节省成本的主要来源。

第二，缓存友好的进化流程。现代 LLM 服务对相同前缀的输入提供缓存，命中缓存的输入通常更便宜、更快。FrugalEvo 的执行框架（harness）和提示词被设计成让不同进化步骤之间尽可能共享前缀，从而提高缓存复用率。这是一个工程层面的设计，但在成本敏感的场景里，它直接影响账单。 第三，新的度量指标 BA-AUC，即预算感知曲线下面积。它的定义是：以累计 LLM 成本为横轴，以迄今最优评测分数为纵轴画曲线，在预算上限之内取曲线下面积。这个指标奖励两件事：最终分数高，以及尽早达到高分。只看最终分数的比较，会让一个烧钱十倍才多拿一点分的方法看起来更好。BA-AUC 把这种差别暴露出来。

关键功能与实战评估

按摘要所述，评测覆盖 10 个数学与系统优化任务。FrugalEvo 在最终解质量上持平或超过 OpenEvolve、ShinkaEvolve、AdaEvolve 和 EvoX 等最新基线，并在其中 9 个任务上取得更高的 BA-AUC。反过来读，有 1 个任务上它的 BA-AUC 没有占优，摘要没有说明是哪一个。

在 ALE-Bench-Lite 的 10 个算法优化任务上，FrugalEvo 的平均表现也高于这些基线。

最醒目的结果在圆填充上。使用 GPT-5.6 Terra 与 Luna 的组合，花费 1.68 美元；使用 GLM-5.3 及其 Flash 版本，花费 0.55 美元。两种配置都被报告为持平或超过所有基线，并刷新了该任务的最佳水平。这里有两点值得谨慎看待：一是"新的最佳水平"是论文自己的主张，需要独立复现；二是多智能体方法的 50 美元是"平均"花费，不同方法、不同模型组合下的成本口径是否完全可比，要看正文的实验设置。

行业影响与未来演进

这项工作的价值不在于某个具体分数，而在于把成本放进了评价体系。进化式程序搜索越来越多地被用于算法发现、系统调优和科研辅助。当单次实验要消耗数十美元时，只有资金充足的团队能做。成本降到一两美元以内，个人研究者和小团队也能跑完整的搜索。

对工程实践者来说，有三点可以直接借鉴。其一，强弱模型分层是一种通用的省钱手段，不限于进化搜索。其二，提示词的前缀稳定性应当作为设计约束，而不是事后优化。其三，评价自动化搜索系统时，应同时报告成本曲线，而不只是终点分数。

局限也很明确。10 个加 10 个任务的规模有限，结论能否推广到更开放的问题还不清楚。强弱模型的搭配依赖具体的模型对，价格一变，最优组合也会变。BA-AUC 的数值还取决于预算上限的选择。后续值得关注的是独立复现、更多任务类型，以及策略层与实现层之间的信息传递究竟如何影响效果。