DeltaEvolve：通过动量驱动演化加速科学发现

LLM 驱动的演化系统已为自动化科学发现展现前景，但 AlphaEvolve 等现有方法依赖完整代码历史，上下文效率低下且可能提供较弱的演化引导。在本工作中，我们首先将演化 Agent 形式化为一个一般的期望最大化（EM）框架：语言模型采样候选程序（E 步），系统基于评估反馈更新控制上下文（M 步）。在此视角下，用完整代码快照构建上下文构成次优的 M 步，因为冗余的实现细节稀释了核心算法思想，难以为演化提供清晰启发。为此，我们提出 DeltaEvolve，一个动量驱动的演化框架，用结构化语义增量（semantic delta）替代完整代码历史，刻画相邻节点之间的修改如何以及为何影响性能。由于程序通常可分解，语义增量通常包含许多可迁移且对驱动改进更具信息量的有效组件。通过多级数据库与渐进式披露机制组织语义增量，输入 token 进一步减少。在跨多个科学领域任务上的实证评估表明，与基于完整代码的演化 Agent 相比，我们的框架能以更少 token 消耗发现更优解。