GigaEvo: Un Marco de Optimización de Código Abierto Impulsado por LLMs y Algoritmos Evolutivos
GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms
November 17, 2025
Autores: Valentin Khrulkov, Andrey Galichin, Denis Bashkirov, Dmitry Vinichenko, Oleg Travkin, Roman Alferov, Andrey Kuznetsov, Ivan Oseledets
cs.AI
Resumen
Los avances recientes en la computación evolutiva guiada por modelos de lenguaje (LLM), particularmente AlphaEvolve (Novikov et al., 2025; Georgiev et al., 2025), han demostrado un éxito notable en el descubrimiento de construcciones matemáticas novedosas y en la resolución de problemas de optimización desafiantes. Sin embargo, las descripciones de alto nivel en los trabajos publicados dejan muchos detalles de implementación sin especificar, lo que dificulta la reproducibilidad y la investigación adicional. En este informe presentamos GigaEvo, un marco de trabajo de código abierto y extensible que permite a los investigadores estudiar y experimentar con enfoques híbridos de evolución-LLM inspirados en AlphaEvolve. Nuestro sistema proporciona implementaciones modulares de componentes clave: algoritmos de diversidad-calidad MAP-Elites, pipelines de evaluación asíncronos basados en grafos acíclicos dirigidos (DAG), operadores de mutación impulsados por LLM con generación de insights y seguimiento bidireccional de linajes, y estrategias evolutivas flexibles de multi-isla. Para evaluar la reproducibilidad y validar nuestra implementación, probamos GigaEvo en problemas desafiantes del artículo de AlphaEvolve: colocación de triángulos de Heilbronn, empaquetamiento de círculos en cuadrados y números de beso en dimensiones altas. El marco enfatiza la modularidad, la concurrencia y la facilidad de experimentación, permitiendo la creación rápida de prototipos mediante configuración declarativa. Proporcionamos descripciones detalladas de la arquitectura del sistema, decisiones de implementación y metodología experimental para apoyar investigaciones futuras en métodos evolutivos impulsados por LLM. El marco GigaEvo y todo el código experimental están disponibles en https://github.com/AIRI-Institute/gigaevo-core.
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.