Terapkan prinsip arsitektur berikut saat menentukan cara memberi skor, menormalisasi, dan memberikan penalti pada entri kode kandidat dalam platform evaluasi Anda.
Memaksimalkan tujuan secara langsung
AlphaEvolve secara eksklusif melakukan penelusuran maksimalisasi, memperlakukan setiap target pengoptimalan sebagai tugas pendakian bukit. Untuk meminimalkan metrik seperti latensi atau tingkat error, Anda harus meniadakan nilai akhir yang dihitung:
score = -latency_ms # AE maximizes -> minimizes latency.
Mempertahankan monotonisitas fungsi yang ketat
Pastikan Anda hanya menerapkan fungsi pemberian skor monotonik. Skor numerik yang ditampilkan harus terus meningkat seiring dengan peningkatan kualitas solusi kandidat. Menggabungkan skor non-monoton menurunkan performa penelusuran dan menimbulkan inkonsistensi logis ke dalam jalur pengoptimalan.
Memberikan metrik yang mendetail dan terperinci
Skor mendetail secara langsung meningkatkan kualitas penelusuran secara keseluruhan. Meskipun saat mengoptimalkan satu tujuan bisnis inti, menggabungkan metrik sekunder atau proksi membantu AlphaEvolve menavigasi ruang penelusuran yang kompleks secara lebih efektif. Teruskan sub-skor individual kembali ke sistem sebagai hasil analisis terstruktur sehingga LLM dapat secara eksplisit mempertimbangkan kompromi performa di berbagai generasi.
Memberi penghargaan atas keberhasilan sebagian daripada hasil yang jarang
Hadiahi keberhasilan sebagian, bukan hanya mengandalkan hasil akhir atau biner. Selalu pilih sinyal pemberian skor padat daripada sinyal jarang.
Tujuan biner atau beresolusi rendah (misalnya, melacak pertandingan yang dimenangkan dalam masalah game berbasis turnamen) menciptakan dataran tinggi performa yang sangat besar di mana beberapa kandidat memiliki nilai yang sama. Perilaku ini mencegah AlphaEvolve membedakan nyaris gagal dengan solusi yang buruk, yang menghentikan loop pemilihan induk.
Untuk mempertahankan arah gradien penelusuran:
Menambahkan sub-sinyal terperinci: Mengukur progres inkremental menuju sasaran akhir (seperti poin individu yang diperoleh dalam pertandingan) sehingga AlphaEvolve dapat memberi peringkat kandidat yang memiliki nilai sama dan melakukan pendakian bukit menuju ruang solusi yang menjanjikan.
Sejajarkan perataan dan bobot dengan hati-hati: Pastikan sub-sinyal disejajarkan secara monoton dengan tujuan sebenarnya dan diberi bobot dengan aman di bawahnya. Jika tidak diberi bobot dengan benar, AlphaEvolve akan mengoptimalkan metrik proxy dengan mengorbankan sasaran sebenarnya (sehingga menyebabkan peretasan reward).
Misalnya, buat fungsi objektif skalar menggunakan poin sebagai pemecah seri logis: use score = matches_won + w * (points_scored / points_possible).
Konfigurasi batasan bobot ke w < 1 sehingga kemenangan terminal tambahan
selalu mengungguli akumulasi poin dalam pertandingan, dengan memperlakukan sub-sinyal
secara ketat sebagai pemecah seri.
Mulai dengan satu tujuan
Pertimbangkan untuk memulai penerapan dengan satu fungsi objektif. Meskipun pengoptimalan multi-objektif dengan pelacakan batas Pareto yang komprehensif didukung sepenuhnya secara native di database, dengan MAP-Elites yang melacak program terbaik per metrik dan sistem yang mempertahankan batas Pareto yang berjalan di semua metrik, satu tujuan skalar jauh lebih mudah untuk dipahami dan di-debug selama deployment awal. Jika masalah Anda memerlukan beberapa tujuan, Anda dapat menggabungkannya menjadi satu skalar berbobot atau memanfaatkan alat pelacakan multi-metrik sejak awal.
Menskalakan ulang dan menormalisasi sebelum menggabungkan
Terapkan penyeimbangan skala yang ketat di seluruh metrik Anda untuk menghindari bias pengoptimalan:
Menskalakan ulang di seluruh rentang: Menormalisasi metrik ke rentang yang dapat dibandingkan sebelum menggabungkannya. Menggabungkan skor terbatas (berkisar dari
0hingga1) dan skor tidak terbatas (berkisar dari0hinggainfinity) tanpa penskalaan ulang eksplisit menyebabkan metrik tidak terbatas mendominasi lanskap kebugaran.Lebih memilih struktur aditif daripada kombinasi multiplikatif: Tujuan multiplikatif dapat menjadi sangat sensitif terhadap variasi kecil dalam penyebut, sehingga mengorbankan akurasi dan stabilitas penelusuran. Sebagai gantinya, terapkan jumlah berbobot aditif:
w1*A - w2*L - w3*M. Format ini memungkinkan penyesuaian bobot yang mudah per parameter performa.Menormalisasi relatif terhadap nilai awal: Untuk mencegah perbedaan skala memengaruhi jalur penelusuran, bagi setiap metrik dengan nilai dasar awal masing-masing sehingga semua metrik dimulai dari nilai dasar
1.0sebelum Anda menerapkan bobot dan menggabungkannya.
Memperbesar perbedaan numerik minimal
Perbedaan skor numerik yang kecil mungkin tidak memberikan sinyal pengoptimalan yang berguna
untuk LLM yang mendasarinya. Jika kandidat yang kuat mendapat skor 1e-7 dan kandidat yang lebih lemah mendapat skor 1e-8, LLM mungkin tidak dapat membedakan keduanya secara bermakna saat meninjau konteks. Ubah skala skor akhir Anda ke rentang yang jelas dan mudah dibaca (seperti 0 hingga 100) sehingga peningkatan kode inkremental menjadi jelas secara numerik dalam perintah pembuatan.