知识卡片：FrugalEvo：面向成本感知的 LLM 引导程序演化

一句话结论：FrugalEvo 提出一种成本感知的 LLM 引导程序演化框架，用较强但较贵的 LLM 探索策略、用较便宜的 LLM 实现并迭代精炼代码，同时通过缓存高效演化流程提升前缀复用；材料称其在多个优化任务上匹配或超过现有基线，并在圆堆积任务上以远低于多智能体基线的成本达到新 SOTA。

事件概述或研究问题

• 来源材料指出，LLM 引导的演化方法（如 AlphaEvolve）已用于圆堆积等困难计算优化问题。
• 但既有工作通常优化“固定迭代次数下的性能增益”。
• 作者主张，实际优化应最大化“单位成本带来的增益”。
• 为此提出 FrugalEvo：一个成本感知的演化框架。
• 同时提出 Budget-Aware Area Under the Curve（BA-AUC）指标，用于衡量固定成本预算内的解质量变化。

方法/产品要点

• 成本感知演化框架：较强的、较高成本的 LLM 负责探索解策略；较便宜的 LLM 负责实现这些策略，并迭代精炼生成的代码。
• 缓存高效演化过程：通过 harness 和 prompt 设计，最大化不同演化步骤之间的前缀共享，以提高缓存复用。
• BA-AUC 指标：定义为在累计 LLM 成本上、直至预算上限的“当前最优评估分数曲线”下方面积。
• 对比基线：包括 OpenEvolve、ShinkaEvolve、AdaEvolve、EvoX；在圆堆积任务中还与多智能体方法 CORAL、SwarmResearch 对比。

主要结果或产业意义

• 在 10 个数学与系统优化任务中，FrugalEvo 在最终解质量上匹配或超过 SOTA 基线。
• 在同一批 10 个任务中，FrugalEvo 在 9 个任务上取得更高 BA-AUC。
• 在来自 ALE-Bench-Lite 的 10 个算法优化任务上，FrugalEvo 的平均性能高于上述基线。
• 在圆堆积任务上，材料称：
  • 使用 GPT-5.6 Terra 和 Luna 时，以 1.68 美元达到新 SOTA。
  • 使用 GLM-5.3 及其 Flash 变体时，以 0.55 美元达到新 SOTA。
  • 结果匹配或超过所有基线，包括平均成本约 50 美元的多智能体方法 CORAL 和 SwarmResearch。
• 产业意义：把优化目标从“固定迭代性能”转向“固定预算下的成本效率”，并强调强弱模型分工与缓存复用，对 LLM 自动算法发现、程序演化和预算受限代理系统有参考价值。

为什么重要

• 它把 LLM 引导程序演化从“迭代次数导向”推进到“成本感知导向”，更贴近实际部署中的预算约束。
• BA-AUC 为“固定花费下能多快变好”提供了可讨论的度量方式。
• 强弱模型分工、缓存感知 harness 设计，可能对降低 LLM 代理系统的推理成本有直接启发。
• 与已有相关卡片（如 FreqDepthKV、BioASQ 14b、ergoCub）无直接事实重复；本条增量主题是 LLM 引导程序演化中的成本感知与 BA-AUC 评价。

局限与不确定性

• 来源材料未给出完整实验设置、任务列表、评分函数、预算定义、运行次数、方差和统计显著性，待核实。
• BA-AUC 的具体归一化方式、跨任务可比性及可迁移性，待核实。
• 材料提到的模型名称与版本（GPT-5.6 Terra/Luna、GLM-5.3/Flash）来自摘要，具体 API、价格、可用性与计费口径待核实。
• 圆堆积以外任务的绝对性能、成本节省幅度和失败案例未在材料中说明，待核实。
• 与基线比较是否在同等预算、同等评估器和同等运行条件下进行，待核实。
• 是否经过同行评审、代码与数据是否开源、复现难度如何，待核实。
• 安全性、伦理影响和环境影响未在材料中涉及。

可用于图书/PPT/简报的角度

• “从固定迭代到固定预算：LLM 程序演化的成本效率转向”
• “强弱模型分工：强模型探索，廉价模型实现与精炼”
• “缓存感知的演化 harness 与 prompt 设计”
• “BA-AUC：预算约束下的优化曲线指标”
• “圆堆积案例：0.55/1.68 美元 vs 约 50 美元多智能体成本”
• “LLM 自动算法发现、程序演化与 AutoML 的成本维度”

原始材料

• 英文标题：FrugalEvo: Towards Cost-Aware LLM-Guided Program Evolution
• 英文关键词：来源材料未列出；依据标题与摘要可提取的候选为：LLM-Guided Program Evolution, Cost-Aware Optimization, Evolutionary Computation, Budget-Aware Area Under the Curve (BA-AUC), Cache-Efficient Evolution, Circle Packing（待核实）
• 作者：Hui Chen, Xuan Qi, James Xu Zhao, Zhaopeng Feng, Shilong Liu, Kuang Xu, Pang Wei Koh, Bryan Hooi
• arXiv ID：2610.03675v1
• Published / Updated：2026-10-02T17:44:05Z
• Primary category：cs.NE
• Categories：cs.NE, cs.AI, cs.CL
• Abstract URL：https://arxiv.org/abs/2610.03675v1
• PDF URL：https://arxiv.org/pdf/2610.03675v1