أظهرت التطورات الحديثة في الحوسبة التكاثرية الموجهة بالذكاء الاصطناعي الكبير (LLM)، وبخاصة نموذج AlphaEvolve (Novikov et al., 2025; Georgiev et al., 2025)، نجاحًا ملحوظًا في اكتشاف هياكل رياضية جديدة وحل مشكلات تحسينية صعبة. ومع ذلك، تترك الوثائق المنشورة وصفًا عالي المستوى يُبقي العديد من التفاصيل التنفيذية غير محددة، مما يعرقل قابلية إعادة التكرار والبحث المستقبلي. في هذا التقرير، نقدّم GigaEvo، وهي إطار مفتوح المصدر قابل للتوسيع يمكّن الباحثين من دراسة وتجريب مناهج هجينة تجمع بين LLM والتطور، مستوحاة من مفهوم AlphaEvolve. يقدّم نظامنا تنفيذًا منفصلًا لعناصر رئيسية: خوارزميات MAP-Elites للاختيار بين الجودة والتنوع، وسلاسل تقييم مبنية على الرسوم البيانية الموجهة غير المتزامنة (DAG)، وعوامل طفرة تُوجَّه بواسطة LLM مع توليد رؤى وتعقب سلالة ثنائية الاتجاه، بالإضافة إلى استراتيجيات تطورية متعددة الجزر مرنة. ولتقييم قابلية إعادة التكرار وتأكيدها، قمنا بتقييم GigaEvo على مشكلات صعبة مستمدة من ورقة AlphaEvolve: توزيع مثلثات هيلبرون، وتعبئة الدوائر داخل المربعات، وعدد التلامس عالي الأبعاد. يُركّز الإطار على المرونة، والاتصال المتزامن، وسهولة التجريب، مما يمكّن من تجريب سريع من خلال تكوين تصريحي. ونقدّم وصفًا مفصلاً لبنية النظام، وقرارات التنفيذ، ومنهجية التجارب، لدعم الأبحاث المستقبلية في مجالات الحوسبة التكاثرية المدعومة بالذكاء الاصطناعي الكبير. يُتاح إطار GigaEvo وكل كود التجارب على الرابط: https://github.com/AIRI-Institute/gigaevo-core.