Optimize_anything：用于优化任何文本参数的通用 API

单个基于 LLM 的优化系统能否匹配跨根本不同领域的专用工具？我们表明，当优化问题被表述为改进由评分函数评估的文本工件时，单个基于人工智能的优化系统（支持单任务搜索、跨问题转移的多任务搜索以及对未见过的输入的泛化）在六个不同的任务中实现了最先进的结果。我们的系统发现代理架构将 Gemini Flash 的 ARC-AGI 精度提高了近三倍（32.5% 到 89.5%），找到了将云成本降低 40% 的调度算法，生成了 87% 匹配或击败 PyTorch 的 CUDA 内核，并且优于 AlphaEvolve 报告的循环封装解决方案（n=26）。跨三个领域的消融表明，与仅评分反馈相比，可操作的辅助信息可以产生更快的收敛速度和更高的最终分数，并且通过跨任务转移给定相同的每个问题预算，多任务搜索优于独立优化，其好处随着相关任务的数量而扩展。我们共同首次证明，使用基于 LLM 的搜索进行文本优化是一种通用的问题解决范例，将传统上需要特定领域算法的任务统一到单一框架下。作为 GEPA 项目的一部分，我们开源了优化任何支持多个后端的东西，网址为 https://github.com/gepa-ai/gepa。