Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
FrugalEvo는 LLM 기반 진화 방법론의 비용 효율성을 극대화하는 새로운 프레임워크를 제안합니다. 이 방식은 고비용/고성능 LLM으로 전략을 탐색하고, 저비용 LLM으로 코드를 구현 및 개선하여 전체적인 비용 대비 성능(BA-AUC)을 측정합니다. 테스트 결과, FrugalEvo는 기존 SOTA 방법론보다 높은 효율성을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기AlphaEvolve와 같은 LLM 기반 진화(evolutionary) 방법론은 원형 패킹(circle packing)과 같은 까다로운 계산 최적화 문제에 강력한 접근 방식으로 부상했습니다. 하지만 기존 연구들은 일반적으로 고정된 반복 횟수 동안의 성능 향상을 최적화하는 경향이 있습니다. 우리는 실제적인 최적화는 단위 비용당 최대 이득을 극대화해야 한다고 주장합니다. 이를 위해, 우리는 FrugalEvo를 제안합니다. 이는 비용 인지(cost-aware) 진화 프레임워크로, 더 강력하고 비용이 높은 LLM이 솔루션 전략을 탐색하고, 더 저렴한 LLM이 이를 구현하고 결과 코드를 반복적으로 개선하는 방식입니다. 또한, 우리는 캐시 효율적인 진화 과정을 설계했습니다. 이 과정에서 우리의 하네스(harness)와 프롬프트는 서로 다른 진화 단계 전반에 걸쳐 접두사(prefix) 공유를 극대화하여 캐시 재사용을 향상시킵니다. 고정된 비용 예산 내내 솔루션 품질을 측정하기 위해, 우리는 예산 인지 곡선 아래 면적(Budget-Aware Area Under the Curve, BA-AUC)을 도입했습니다. 이는 누적 LLM 비용 대비 지금까지의 최고 평가 점수 곡선 아래 면적으로 정의되며, 예산까지 계산됩니다. 10가지 수학 및 시스템 최적화 과제에 걸쳐, FrugalEvo는 OpenEvolve, ShinkaEvolve, AdaEvolve, EvoX를 포함한 최신 기준(state-of-the-art) 방법론과 최종 솔루션 품질에서 동등하거나 능가하며, 9개 과제에서 더 높은 BA-AUC를 달성합니다. 또한 ALE-Bench-Lite의 10가지 알고리즘 최적화 과제에서도 이러한 기준들보다 평균 성능이 높습니다. 특히 원형 패킹의 경우, FrugalEvo는 GPT-5.6 Terra 및 Luna를 사용하여 단지 1.68 USD로, 그리고 GLM-5.3과 그 Flash 변형을 사용하여 단지 0.55 USD만으로 새로운 최신 성능을 달성했습니다. 이는 평균적으로 약 50 USD가 소요되는 CORAL이나 SwarmResearch와 같은 다중 에이전트(multi-agent) 방법론을 포함한 모든 기준들을 능가하거나 동등한 수준입니다.