GigaEvo : Un Cadre d'Optimisation Open Source Propulsé par les LLM et les Algorithmes Évolutionnaires
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
Les récents progrès dans le domaine de l'évolution computationnelle guidée par les modèles de langage (LLM), en particulier AlphaEvolve (Novikov et al., 2025 ; Georgiev et al., 2025), ont démontré un succès remarquable dans la découverte de constructions mathématiques novatrices et la résolution de problèmes d'optimisation complexes. Cependant, les descriptions de haut niveau dans les travaux publiés laissent de nombreux détails d'implémentation non spécifiés, entravant ainsi la reproductibilité et les recherches ultérieures. Dans ce rapport, nous présentons GigaEvo, un framework open-source extensible qui permet aux chercheurs d'étudier et d'expérimenter des approches hybrides LLM-évolution inspirées par AlphaEvolve. Notre système propose des implémentations modulaires des composants clés : des algorithmes de diversité-qualité MAP-Elites, des pipelines d'évaluation asynchrones basés sur des graphes orientés acycliques (DAG), des opérateurs de mutation pilotés par des LLM avec génération d'insights et suivi bidirectionnel de la lignée, ainsi que des stratégies évolutives multi-îles flexibles. Afin d'évaluer la reproductibilité et de valider notre implémentation, nous testons GigaEvo sur des problèmes complexes issus de l'article AlphaEvolve : le placement de triangles de Heilbronn, l'empilement de cercles dans des carrés et les nombres de baisers en haute dimension. Le framework met l'accent sur la modularité, la concurrence et la facilité d'expérimentation, permettant un prototypage rapide grâce à une configuration déclarative. Nous fournissons des descriptions détaillées de l'architecture du système, des décisions d'implémentation et de la méthodologie expérimentale pour soutenir les recherches futures sur les méthodes évolutives guidées par les LLM. Le framework GigaEvo et l'ensemble du code expérimental sont disponibles à l'adresse suivante : 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.