Gang Liu Yihan Zhu Jie Chen Meng Jiang

摘要

大型语言模型在作为科学助手方面展现出巨大潜力，然而现有的智能体要么仅依赖算法的单纯演化，要么仅依赖孤立的深度研究，二者均存在显著局限。纯粹的算法演化（如AlphaEvolve）仅依赖大语言模型内部的知识，在复杂领域中很快达到瓶颈；而纯粹的深度研究则缺乏验证机制，常提出不切实际或难以实现的解决方案。为此，我们提出DeepEvolve，一种将深度研究与算法演化相结合的智能体。该智能体在反馈驱动的迭代循环中，整合外部知识检索、跨文件代码编辑以及系统化调试能力。每一迭代周期不仅提出新的假设，还对其进行优化、实现与验证，从而避免了浅层改进与无效的过度优化。在化学、数学、生物学、材料科学及专利领域的九个基准测试中，DeepEvolve持续改进初始算法，生成可执行的新算法，并实现稳定提升。通过弥合无引导演化与缺乏实证基础的研究之间的鸿沟，DeepEvolve为推动科学算法的发现提供了可靠框架。我们的代码已公开，可通过以下链接获取：https://url.com。