EvoMem 將跨任務優化經驗寫成持久記憶，演化搜尋平均加速 5.93 倍

LLM 驅動的演化式程式搜尋通常在每次執行結束後丟棄探索過程，只保留最佳程式；下一個相似任務因而必須重新發現相同的快取、稀疏化或核心融合策略。8 月 11 日公開的 EvoMem，把這些中間成果改造成可跨執行保存的記憶層。

系統在一次演化完成後，比較子程式、父代、同源兄弟及後續菁英血統，抽取具有改善證據的「idea card」。卡片包含策略描述、來源任務、程式血統、適用情境與使用統計；語意相近的抽象策略可合併，具體程式則保持獨立。進行新突變前，系統先以 LLM 篩出可能相關的來源任務，再綜合文字與嵌入相似度，最多取回三張卡加入突變提示。程式選擇、正確性驗證及 fitness 計算並未改動，因此記憶只是搜尋偏置，不會繞過 evaluator。

研究以 Gemini 3 Flash 驅動 GigaEvo，測試幾何配置、多跳問答、AlgoTune 科學程式及 KernelBench GPU 核心。為降低洩漏，每項測試都排除由同一 benchmark 產生的記憶。九類結果的目標指標平均提高 6.40%，達到無記憶基線最佳分數所需的候選數平均減少至約六分之一；KernelBench 平均增益為 16.89%，但單次結果介於 0% 至 65.93%，部分執行反而更慢。相關性檢索的策略實際被子程式採用率也只有 4.05%，雖高於隨機抽卡的 0.25%。

工程上的重點不是單一平均值，而是把演化軌跡升格為可稽核、可檢索的資產。下一步仍需驗證大型儲存庫、跨語言修改及長期記憶污染；目前記憶庫規模小、消融不完整，且高溫取樣令重跑方差顯著，不能把 5.93 倍視為穩定的部署加速。