EvoTune

让 LLM 自动进化出算法，省去手工设计

EvoTune 是一个利用大语言模型（LLM）结合进化搜索与强化学习来自动发现算法的开源项目。它解决的核心问题是：传统算法设计依赖专家手工编写，耗时且难以覆盖广阔搜索空间。EvoTune 将算法表示成可执行代码，通过进化计算（变异、交叉）迭代优化，并引入强化学习信号引导搜索方向，从而在无人干预下自动生成高效、新颖的算法。项目基于 Python 实现，提供灵活的接口供研究者定制搜索策略和奖励函数。目前处于早期阶段，但已展示出在符号回归、策略优化等任务上的潜力，旨在降低算法发现门槛，加速 AI 驱动的科学发现。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 144

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队CLAIRE-Labo

所属国家

官网地址https://claire-labo.github.io/EvoTune

GitHubhttps://github.com/CLAIRE-Labo/EvoTune

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型algorithm-discovery,combinatorial-optimization,evolutionary-search,large-language-models,llm,reinforcement-learning

GitHub 星标★ 144

30天Star增速

HF 下载量

上线时间2025-03-24 00:00:00

最近更新2026-09-17 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数0

使用教程

核心亮点

结合进化搜索与强化学习，搜索效率高于纯随机或纯进化
以代码形式表示算法，结果可直接运行和验证
提供可定制接口，便于针对不同问题调整搜索策略

不足之处

早期项目，文档和示例较少，上手门槛较高
依赖 LLM API 或本地模型，运行成本不低

适用场景

自动发现符号回归或数学公式
生成强化学习策略或控制规则
辅助科研人员探索新算法思路

替代项目

FunSearch、EvoPrompt、ADAS

项目介绍

EvoTune 是模型训练领域的开源项目，由 CLAIRE-Labo 开发，2025 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 144。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-17。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：自动发现符号回归或数学公式。同类可对比的替代方案包括 FunSearch、EvoPrompt、ADAS。

上一篇：KIVI

下一篇：KnowledgeCircuits