optimize_anything: Una API universal para optimizar cualquier parámetro de texto

Resumen

¿Puede un solo sistema de optimización basado en LLM igualar a herramientas especializadas en dominios fundamentalmente diferentes? Demostramos que, cuando los problemas de optimización se formulan como la mejora de un artefacto de texto evaluado por una función de puntuación, un solo sistema de optimización basado en IA —que admite búsqueda en una sola tarea, búsqueda multitarea con transferencia entre problemas y generalización a entradas no vistas— logra resultados de vanguardia en seis tareas diversas. Nuestro sistema descubre arquitecturas de agentes que casi triplican la precisión ARC-AGI de Gemini Flash (del 32,5% al 89,5%), encuentra algoritmos de planificación que reducen los costos en la nube en un 40%, genera kernels CUDA donde el 87% iguala o supera a PyTorch, y supera la solución de empaquetamiento de círculos reportada por AlphaEvolve (n=26). Las ablaciones en tres dominios revelan que la información adicional procesable produce una convergencia más rápida y puntuaciones finales sustancialmente más altas que la retroalimentación basada únicamente en la puntuación, y que la búsqueda multitarea supera a la optimización independiente dado un presupuesto equivalente por problema mediante la transferencia entre tareas, y los beneficios escalan con el número de tareas relacionadas. En conjunto, demostramos por primera vez que la optimización de texto con búsqueda basada en LLM es un paradigma de resolución de problemas de propósito general, que unifica tareas que tradicionalmente requerían algoritmos específicos de dominio bajo un solo marco. Publicamos como código abierto optimize\_anything con soporte para múltiples backends como parte del proyecto GEPA en https://github.com/gepa-ai/gepa.

English

Can a single LLM-based optimization system match specialized tools across fundamentally different domains? We show that when optimization problems are formulated as improving a text artifact evaluated by a scoring function, a single AI-based optimization system-supporting single-task search, multi-task search with cross-problem transfer, and generalization to unseen inputs-achieves state-of-the-art results across six diverse tasks. Our system discovers agent architectures that nearly triple Gemini Flash's ARC-AGI accuracy (32.5% to 89.5%), finds scheduling algorithms that cut cloud costs by 40%, generates CUDA kernels where 87% match or beat PyTorch, and outperforms AlphaEvolve's reported circle packing solution (n=26). Ablations across three domains reveal that actionable side information yields faster convergence and substantially higher final scores than score-only feedback, and that multi-task search outperforms independent optimization given equivalent per-problem budget through cross-task transfer, with benefits scaling with the number of related tasks. Together, we show for the first time that text optimization with LLM-based search is a general-purpose problem-solving paradigm, unifying tasks traditionally requiring domain-specific algorithms under a single framework. We open-source optimize\_anything with support for multiple backends as part of the GEPA project at https://github.com/gepa-ai/gepa .