DeepMind遗传算法新研究，推理模型成功率大跃升！

AI导读

DeepMind最新发布的MindEvolution技术通过融合遗传算法与大语言模型，在推理模型领域实现了革命性突破。该技术模仿生物进化机制，采用多阶段优化策略，将复杂规划任务成功率从5%提升至95%以上，其中旅行规划案例中Gemini1.5Flash模型成功率突破95.6%。通过自然语言适配的评估体系，系统能直接处理用户语言描述，大幅降低专业门槛。相比传统方法，其token消耗量仅需几分之一，显著提升资源效率，同时在新开发的StegPoet测试中展现出创造性推理能力。这项突破不仅推动AI推理性能跨越式发展，更通过降低技术应用成本加速了人工智能的普惠化进程。

DeepMind的MindEvolution研究在推理模型领域取得重大突破，将规划任务的成功率从5%提升至95%。这项创新性的技术将遗传算法与大语言模型的自然语言处理能力相结合，开创了推理时扩展（Inference-timescaling）的新纪元。

MindEvolution的核心优势在于其独特的进化搜索策略。该技术通过模拟生物进化过程，包括样本生成、评估、改进和终止等关键环节，使模型能够生成多个初始解决方案并进行逐步优化。在实际应用中，以旅行规划任务为例，Gemini1.5Flash使用MindEvolution后的成功率从5.6%跃升至95.6%，展现出显著的性能提升。

技术实现方面，MindEvolution采用了灵活的适应度函数来评估自然语言规划任务。这种方法不仅简化了传统需要将任务形式化的复杂流程，还降低了对专业领域知识的依赖。用户可以直接使用自然语言描述问题，系统会自动处理并优化解决方案。

在资源利用效率上，MindEvolution相比传统方法Sequential-Revision+具有明显优势。它在保持高性能的同时，所需的tokens数量仅为传统方法的几分之一，大幅降低了运营成本。这种高效率不仅体现在计算资源的节约上，更重要的是实现了更快速的问题解决过程。

DeepMind还在研究中引入了StegPoet测试任务，这项创新性的测试不仅考验模型的逻辑推理能力，还拓展了其在创造性表达方面的应用范围。实验结果表明，MindEvolution在处理这类复杂任务时同样表现出色，证实了该技术的通用性和适应性。

这项研究的意义不仅限于技术层面的突破，更为人工智能在实际应用中的普及奠定了基础。通过降低技术门槛和运营成本，MindEvolution使得高效的AI推理能力可以被更广泛地应用于各个领域，推动了人工智能技术的民主化进程。