FrugalEvo: verso un’evoluzione dei programmi guidata da LLM e attenta ai costi

Abstract degli autori

I metodi evolutivi guidati da LLM, come AlphaEvolve, si sono affermati come strumenti potenti per affrontare problemi complessi di ottimizzazione computazionale, come l’impacchettamento di cerchi. Tuttavia, i lavori precedenti ottimizzano generalmente l’incremento delle prestazioni nell’arco di un numero fisso di iterazioni. Sosteniamo invece che, nella pratica, l’ottimizzazione debba massimizzare il guadagno per unità di costo. A questo scopo proponiamo FrugalEvo, un framework evolutivo attento ai costi in cui un LLM più potente e costoso esplora le strategie di soluzione, mentre un LLM meno costoso le implementa e perfeziona iterativamente il codice risultante. Progettiamo inoltre un processo evolutivo efficiente nell’uso della cache: il nostro sistema di esecuzione e i prompt massimizzano la condivisione dei prefissi tra le diverse fasi dell’evoluzione, migliorando il riutilizzo della cache. Per misurare la qualità delle soluzioni lungo un budget di costo fisso, introduciamo Budget-Aware Area Under the Curve (BA-AUC), definita come l’area sottesa dalla curva del miglior punteggio di valutazione ottenuto fino a quel momento in funzione del costo cumulativo degli LLM, fino al limite del budget. Su 10 compiti di ottimizzazione matematica e dei sistemi, FrugalEvo eguaglia o supera i metodi di riferimento allo stato dell’arte, tra cui OpenEvolve, ShinkaEvolve, AdaEvolve ed EvoX, per qualità della soluzione finale, e ottiene un valore BA-AUC più alto in 9 compiti. Ottiene inoltre prestazioni medie superiori a quelle di questi metodi di riferimento in 10 compiti di ottimizzazione algoritmica tratti da ALE-Bench-Lite. In particolare, nell’impacchettamento di cerchi FrugalEvo raggiunge nuove prestazioni allo stato dell’arte con GPT-5.6 Terra e Luna al costo di soli 1,68 USD e con GLM-5.3 e la sua variante Flash al costo di soli 0,55 USD, eguagliando o superando tutti i metodi di riferimento, compresi quelli multiagente come CORAL e SwarmResearch, che costano in media circa 50 USD.