神经架构设计 — 3 倍超越人类改进
自主发现 105 个 SOTA 线性注意力架构，在 DeltaNet 基础上提升 +0.97 pts，约为近期人类研究改进幅度的 3 倍。
项目简介
ASI-Evolve 是 2026 年由上海交通大学 GAIR-NLP 发布的开源智能体框架，首次统一实现了 AI 在数据、架构、算法三大核心领域的自主发现能力。框架通过闭环循环自主迭代，由三个智能体驱动：Researcher（研究员，读取数据库和认知库，提出下一个候选方案）、Engineer（工程师，执行候选方案并收集结构化指标）、Analyzer（分析师，将结果提炼为可迁移的经验教训）。
LEARN→ DESIGN→ EXPERIMENT→ ANALYZE→ 重复迭代
配合两大记忆系统：Cognition Store（认知库，注入领域知识使 AI 不从零开始）和 Experiment Database（实验数据库，存储每次试验的动机、代码、结果与分析）。父代选择支持 UCB1、贪心、随机和 MAP-Elites 岛屿采样。不局限于 AI 领域，适用于任何「更好的代码 = 更好的结果」的场景。
应用结果
预训练数据策划
自主进化出更优数据筛选策略，平均提升 +3.96 pts，MMLU 单项暴涨 +18 pts，显示数据质量对模型性能的关键影响。
强化学习算法设计
发现具有数学创新性的优化机制，在 AMC32 上相比 GRPO 提升 +12.5 pts，展现了对复杂算法空间的有效探索能力。
生物医药 — 药物靶点预测
为冷启动泛化设计更强架构，AUROC 提升 +6.94，证明框架在非 AI 领域同样有效。
效率对比
人类研究者每周可尝试 5-10 个想法；ASI-Evolve 单次运行可评估 50-200 个候选方案，每个结果都伴随结构化分析和可复现的实验记录。
Circle Packing Demo
内置 Demo 在圆形装箱基准测试中，仅用少量进化步数即可达到 SOTA 水平，验证了框架的快速收敛能力。
跨领域适用场景
生物医药药物靶点交互、蛋白质折叠策略、临床试验算法
ML 基础设施推理调度器、KV-Cache 淘汰策略、批处理策略
气候 / 能源电网负载均衡启发式、碳足迹优化管道
游戏 AIBot 策略、程序化关卡生成、奖励塑形函数
制造业质量控制分类器、调度启发式、缺陷检测管道
物流路径规划算法、仓库分配策略、需求预测模型
🤖 Agent 自主部署 manifest-ready
本页 <head> 已内嵌机器可读的 application/agent-deploy+json 清单。默认目标 = 完成环境安装（纯 Python、无需 GPU）。遇到 REQUIRED human-input 时 Agent 必须暂停询问。成功判定：关键包 import 通过（torch / openai / numpy）+ config.yaml 配置写入正确。无需启动服务或执行实验。
① 前置条件检查（Agent 自检）
Demo 任务不需 GPU，CPU-only 环境即可
python3 --version # required: 3.10+（推荐 3.11） git --version # required: 2.20+ pip3 --version # required nvidia-smi # optional (Demo 无需)② 需人类补齐（Agent 必须暂停询问）
DASHSCOPE_API_KEY 去 通义千问 DashScope 开通 qwen-max 并创建 API Key
EXPERIMENT_TASK
= circle_packing_demo 安装阶段跳过，仅运行实验时需要 POPULATION_SIZE
= 8 安装阶段跳过，仅运行实验时需要 MAX_ITERATIONS
= 20 安装阶段跳过，仅运行实验时需要 ③ config.yaml 模板（Agent 替换 sk-REPLACE_ME 后写入）
注意 — 不要保留
${...} 字面；把真实 DASHSCOPE_API_KEY 直接写入 api_keyllm: provider: openai_compatible base_url: https://dashscope.aliyuncs.com/compatible-mode/v1 api_key: sk-REPLACE_ME # ← 替换为真实 DASHSCOPE_API_KEY model: qwen-max temperature: 0.7 max_retries: 3 evolution: population_size: 8 max_iterations: 20 sampling_strategy: ucb1 # ucb1 / greedy / random / map_elites elite_ratio: 0.25 storage: cognition_store: ./data/cognition experiment_db: ./data/experiments.db output_dir: ./outputs④ 按序执行命令（Agent 串行跑）
# 1. 克隆仓库（超时改镜像） git clone https://github.com/GAIR-NLP/ASI-Evolve.git && cd ASI-Evolve # 备选：git clone https://kkgithub.com/GAIR-NLP/ASI-Evolve.git && cd ASI-Evolve # 2. 创建并激活虚拟环境 python3 -m venv .venv && source .venv/bin/activate && pip install -U pip setuptools wheel # 2.5 设置全局环境变量 export HF_ENDPOINT=https://hf-mirror.com export PYTHONPATH=$(pwd):$PYTHONPATH export WANDB_MODE=disabled # 3. 安装依赖（torch CPU 版 + 阿里云镜像加速） pip install torch --index-url https://mirrors.aliyun.com/pytorch-wheels/cpu --timeout 300 pip install -r requirements.txt -i https://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com --timeout 300 # 4. 写入 config.yaml（替换 sk-REPLACE_ME 为真实 DASHSCOPE_API_KEY）⑤ 安装成功验证
# === 验证 Python 依赖 === python -c "import torch; print(f'torch {torch.__version__} ✅')" python -c "import openai; print('openai ✅')" python -c "import numpy; print('numpy ✅')" # === 验证配置文件 === test -f config.yaml && echo "✅ config.yaml 存在" || echo "❌ config.yaml 缺失" grep -q "api_key" config.yaml && echo "OK: API Key 已配置" || echo "FAIL: API Key 未配置" echo "🎉 ASI-Evolve 安装完毕，部署成功！"⑥ 常见故障排查
git clone 超时换镜像：
git clone https://kkgithub.com/GAIR-NLP/ASI-Evolve.gitexperiments/circle_packing_demo 不存在
git pull 更新至 main；或改用 experiments/circle_packing 目录名兜底pip install 超时 / torch 下载失败CPU 版：
pip install torch --index-url https://mirrors.aliyun.com/pytorch-wheels/cpu --timeout 300（190MB vs CUDA 版 1GB+）ModuleNotFoundError确认已
source .venv/bin/activate 且在 ASI-Evolve/ 目录；设置 export PYTHONPATH=$(pwd):$PYTHONPATHHuggingFace 下载超时设置国内镜像：
export HF_ENDPOINT=https://hf-mirror.comDashScope 401 Unauthorized核对
config.yaml 中的 api_key，确认已开通 qwen-maxDashScope RateLimitError降低
population_size 为 4；将 max_retries 改为 5 并加 retry_delay: 2换到其他 LLM只改
config.yaml 的 base_url + model + api_key，其他字段不变