optimize_anything: Een universele API voor het optimaliseren van elke tekstparameter

Samenvatting

Kan een enkel op LLM gebaseerd optimalisatiesysteem concurreren met gespecialiseerde tools op fundamenteel verschillende domeinen? Wij tonen aan dat wanneer optimalisatieproblemen worden geformuleerd als het verbeteren van een tekstartefact dat wordt geëvalueerd door een scoringsfunctie, een enkel AI-gebaseerd optimalisatiesysteem – dat enkele-taak zoeken, multi-taak zoeken met overdracht tussen problemen, en generalisatie naar ongeziene invoer ondersteunt – state-of-the-art resultaten behaalt over zes uiteenlopende taken. Ons systeem ontdekt agentarchitecturen die de ARC-AGI-nauwkeurigheid van Gemini Flash bijna verdrievoudigen (van 32,5% naar 89,5%), vindt planningsalgoritmen die cloudkosten met 40% verlagen, genereert CUDA-kernels waarvan 87% het opnemen tegen of beter presteren dan PyTorch, en overtreft de gerapporteerde cirkelpakkingoplossing van AlphaEvolve (n=26). Ablatiestudies over drie domeinen laten zien dat bruikbare neveninformatie leidt tot snellere convergentie en aanzienlijk hogere eindscores dan alleen-score-feedback, en dat multi-taak zoeken beter presteert dan onafhankelijke optimalisatie bij een gelijk budget per probleem dankzij overdracht tussen taken, waarbij de voordelen toenemen met het aantal gerelateerde taken. Gezamenlijk tonen we voor het eerst aan dat tekstoptimalisatie met op LLM gebaseerd zoeken een algemeen toepasbaar probleemoplossend paradigma is, dat taken die traditioneel domeinspecifieke algoritmen vereisen, verenigt onder één raamwerk. Wij brengen _optimize\_anything_ met ondersteuning voor meerdere back-ends als open-source uit als onderdeel van het GEPA-project op 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 .