GigaEvo: Un Framework Open Source per l'Ottimizzazione Basato su LLM e Algoritmi Evolutivi
GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms
November 17, 2025
Autori: Valentin Khrulkov, Andrey Galichin, Denis Bashkirov, Dmitry Vinichenko, Oleg Travkin, Roman Alferov, Andrey Kuznetsov, Ivan Oseledets
cs.AI
Abstract
I recenti progressi nell'evoluzione computazionale guidata da LLM, in particolare AlphaEvolve (Novikov et al., 2025; Georgiev et al., 2025), hanno dimostrato un notevole successo nella scoperta di nuove costruzioni matematiche e nella risoluzione di problemi di ottimizzazione complessi. Tuttavia, le descrizioni di alto livello presenti nei lavori pubblicati lasciano molti dettagli implementativi non specificati, ostacolando la riproducibilità e la ricerca successiva. In questo rapporto presentiamo GigaEvo, un framework open-source estensibile che consente ai ricercatori di studiare e sperimentare approcci evolutivi ibridi con LLM ispirati ad AlphaEvolve. Il nostro sistema fornisce implementazioni modulari dei componenti chiave: algoritmi di qualità-diversità MAP-Elites, pipeline di valutazione asincrone basate su DAG, operatori di mutazione guidati da LLM con generazione di insight e tracciamento bidirezionale della discendenza, e strategie evolutive flessibili multi-isola. Al fine di valutare la riproducibilità e convalidare la nostra implementazione, testiamo GigaEvo su problemi complessi tratti dall'articolo su AlphaEvolve: posizionamento del triangolo di Heilbronn, impacchettamento di cerchi in quadrati e numeri di baci in alta dimensione. Il framework enfatizza la modularità, la concorrenza e la facilità di sperimentazione, consentendo un prototipaggio rapido attraverso una configurazione dichiarativa. Forniamo descrizioni dettagliate dell'architettura di sistema, delle decisioni implementative e della metodologia sperimentale per supportare ulteriori ricerche sui metodi evolutivi guidati da LLM. Il framework GigaEvo e tutto il codice sperimentale sono disponibili all'indirizzo 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.