في عالم الذكاء الاصطناعي، أصبحت الأساليب التطورية المعتمدة على نماذج اللغات الضخمة (Large Language Models) مثل AlphaEvolve تمثل طرقاً قوية لحل مشكلات التحسين الحسابي المعقدة. ومع ذلك، كانت المناهج السابقة تركز على تحسين الأداء على مدار عدد ثابت من التكرارات، مما يجعلها غير كافية في ظل اعتبارات الكلفة.

هنا يبرز الابتكار الجديد: فرغوال إيفو (FrugalEvo)، وهو إطار عمل أولي يتجاوز المشاكل التقليدية عبر التركيز على تحقيق أكبر مكسب ممكن مقابل تكلفة ثابتة. يعتمد فرغوال إيفو على نموذج لغوي رفيع لمعاينة استراتيجيات الحل، بينما يقوم نموذج لغوي آخر أقل تكلفة بتطبيقها وتكرار تحسين الكود الناتج.

هذا الأسلوب الفريد يتضمن آلية تطور موفرة للذاكرة، حيث إن التعليمات والأدوات الخاصة بها تعزز من مشاركة التقدم عبر خطوات التطور المختلفة، مما يساهم في تحسين إعادة استخدام الذاكرة. لتحقيق الجودة في الحلول مع الحفاظ على ميزانية تكلفة محددة، تم تقديم مقياس جديد يسمى Budget-Aware Area Under the Curve (BA-AUC)، الذي يقيس المساحة تحت منحنى تقييم الأداء حتى حدود التكلفة.

لقد أظهرت التجارب عبر عشرة مهام في مجال تحسين الأنظمة أن فرغوال إيفو يتفوق أو يساوي نماذج قياسية مثل OpenEvolve وShinkaEvolve وAdaEvolve وEvoX. خاصة في مهمة حزم الدوائر، تمكن فرغوال إيفو من تحقيق أداء متميز باستخدام نماذج GPT-5.6 Terra وLuna بتكلفة 1.68 دولار، مقارنة بأدوات تقليدية تكلف حوالي 50 دولار. هذا يجعل منه واحداً من أبرز التطورات في مجال الذكاء الاصطناعي اليوم.

إنه حقاً عصر جديد للتطورات الذكية بأقل كلفة ممكنة، فهل أنتم مستعدون لاستكشاف إمكانيات هذا الابتكار الثوري؟ شاركونا أفكاركم في التعليقات!