GigaEvo: Ein Open-Source-Optimierungsframework, betrieben durch LLMs und evolutionäre Algorithmen
GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms
November 17, 2025
papers.authors: Valentin Khrulkov, Andrey Galichin, Denis Bashkirov, Dmitry Vinichenko, Oleg Travkin, Roman Alferov, Andrey Kuznetsov, Ivan Oseledets
cs.AI
papers.abstract
Jüngste Fortschritte in der LLM-gesteuerten evolutionären Berechnung, insbesondere AlphaEvolve (Novikov et al., 2025; Georgiev et al., 2025), haben bemerkenswerte Erfolge bei der Entdeckung neuartiger mathematischer Konstruktionen und der Lösung anspruchsvoller Optimierungsprobleme gezeigt. Die hochrangigen Beschreibungen in der veröffentlichten Arbeit lassen jedoch viele Implementierungsdetails unklar, was die Reproduzierbarkeit und weitere Forschung behindert. In diesem Bericht stellen wir GigaEvo vor, ein erweiterbares Open-Source-Framework, das Forschern ermöglicht, hybride LLM-Evolutionsansätze, inspiriert von AlphaEvolve, zu studieren und zu experimentieren. Unser System bietet modulare Implementierungen von Schlüsselkomponenten: MAP-Elites-Qualitäts-Diversitäts-Algorithmen, asynchrone DAG-basierte Evaluationspipelines, LLM-gesteuerte Mutationsoperatoren mit Erkenntnisgenerierung und bidirektionaler Linienverfolgung sowie flexible Multi-Insel-Evolutionsstrategien. Um die Reproduzierbarkeit zu bewerten und unsere Implementierung zu validieren, evaluieren wir GigaEvo anhand anspruchsvoller Probleme aus dem AlphaEvolve-Papier: Heilbronn-Dreiecksplatzierung, Kreispackung in Quadraten und hochdimensionale Kusszahlen. Das Framework betont Modularität, Nebenläufigkeit und einfache Experimentierbarkeit und ermöglicht so schnelles Prototyping durch deklarative Konfiguration. Wir liefern detaillierte Beschreibungen der Systemarchitektur, Implementierungsentscheidungen und experimentellen Methodik, um weitere Forschungen in LLM-gesteuerten evolutionären Methoden zu unterstützen. Das GigaEvo-Framework und der gesamte experimentelle Code sind unter https://github.com/AIRI-Institute/gigaevo-core verfügbar.
English
Recent advances in LLM-guided evolutionary computation, particularly AlphaEvolve (Novikov et al., 2025; Georgiev et al., 2025), have demonstrated remarkable success in discovering novel mathematical constructions and solving challenging optimization problems. However, the high-level descriptions in published work leave many implementation details unspecified, hindering reproducibility and further research. In this report we present GigaEvo, an extensible open-source framework that enables researchers to study and experiment with hybrid LLM-evolution approaches inspired by AlphaEvolve. Our system provides modular implementations of key components: MAP-Elites quality-diversity algorithms, asynchronous DAG-based evaluation pipelines, LLM-driven mutation operators with insight generation and bidirectional lineage tracking, and flexible multi-island evolutionary strategies. In order to assess reproducibility and validate our implementation we evaluate GigaEvo on challenging problems from the AlphaEvolve paper: Heilbronn triangle placement, circle packing in squares, and high-dimensional kissing numbers. The framework emphasizes modularity, concurrency, and ease of experimentation, enabling rapid prototyping through declarative configuration. We provide detailed descriptions of system architecture, implementation decisions, and experimental methodology to support further research in LLM driven evolutionary methods. The GigaEvo framework and all experimental code are available at https://github.com/AIRI-Institute/gigaevo-core.