算力规模扩大下的候选生成新来源

当算力规模持续扩大，候选生成的方式发生了根本性变化。过去，候选方案往往依赖人工枚举或单次模型输出；如今，GPU 并行探索、大模型结构化构造与模型参与编码与变异共同扩展了候选来源。核心问题不再只是“能否生成一个答案”，而是“哪些变化可生成、可观测、可保留、可继承”。

候选生成的三个新来源

• GPU 并行探索：大量可能被同时探索，候选生成从串行试错转向并行空间搜索。例如，在参数空间中同时采样成千上万个点，并并行评估。
• 大模型结构化构造：大模型能够理解自然语言与代码，构造出结构复杂的候选方案，而不仅仅是生成文本答案。它可以生成完整的程序、测试用例或系统配置。
• 模型参与编码与变异：人工编码和变异方式开始由模型参与生成。候选来源从人写规则扩展为模型生成规则与结构，例如让模型提出新的变异算子或编码策略。

进入演化前的边界定义

在候选进入演化之前，必须明确以下边界：

• 什么对象允许被改变：确定可演化的对象，是代码结构、超参数，还是整个架构？
• 什么结果能够被观测：定义可观测的指标，例如准确率、延迟、资源消耗等。
• 什么标准决定一个变化应当被保留：建立保留标准，通常是一个多目标评价函数或阈值。

分层评价策略

评价需要分层：可并行评价尽量并行；高代价评价用代理模型降低。例如，简单的性能指标可以在 GPU 上并行计算，而需要真实环境交互的昂贵评价则用代理模型近似，从而在有限算力下扩大搜索范围。

可演化结构的识别与成果保存

需要识别现有方法中哪些结构可被进一步演化，而非只调整数值参数。例如，将神经网络中的模块连接方式、代码的控制流结构作为可变异对象。同时，必须保存代码、测试和验证证据，使下一轮工作不必从头开始，避免重复劳动。

接入 EvoX 闭环

当上述边界清晰，任务可接入 EvoX 闭环：模型提出候选，工具执行变化，环境返回反馈，演化机制完成选择，Runtime 组织计算，持久系统继承经受检验的成果。这样，分散的智能组件得以持续积累，形成不断进化的系统。