谷歌的AlphaEvolve，還在不斷創(chuàng)造新的奇跡。

在5月中旬，谷歌扔出的這個(gè)炸彈（號(hào)稱是數(shù)學(xué)界AlphaGo的「第37步」時(shí)刻），就在不斷沖擊人們的認(rèn)知——AI，已經(jīng)擁有了自我進(jìn)化能力！

隨后，不斷有開發(fā)者用代碼證實(shí)，AlphaEvolve的矩陣乘法突破為真！一個(gè)開發(fā)者成功證明，它僅用了48次乘法，就正確完成了4×4矩陣的乘法運(yùn)算。

而就在剛剛，patched.codes的聯(lián)合創(chuàng)始人兼CTO Asankhaya Sharma，用基于AlphaEvolve論文的開源實(shí)現(xiàn)OpenEvolve，成功自動(dòng)發(fā)現(xiàn)了高性能的GPU內(nèi)核算法。

具體來(lái)說(shuō)，通過(guò)自我進(jìn)化代碼，它自動(dòng)發(fā)現(xiàn)了一套在Apple Silicon上遠(yuǎn)超手動(dòng)優(yōu)化的GPU Metal核函數(shù)。

在真實(shí)的Transformer推理任務(wù)中，它帶來(lái)了平均12.5%的性能提升，峰值甚至飆升了106%。

這種提升，直接超越了人類工程師21%！

這個(gè)系統(tǒng)沒(méi)有提供人類的GPU編程專業(yè)知識(shí)，就發(fā)現(xiàn)了以下優(yōu)化——

• 完美的SIMD優(yōu)化 
• 兩階段在線Softmax 
• 針對(duì)GQA的特定內(nèi)存布局優(yōu)化

這不是一次簡(jiǎn)單的性能躍遷，而是自動(dòng)化編程歷史上真正的里程碑時(shí)刻——一套系統(tǒng)無(wú)需人類干預(yù)，就能在復(fù)雜的硬件架構(gòu)中，挖掘出連專家都難以察覺(jué)的優(yōu)化路徑。

更重要的是，這一成就并非停留在實(shí)驗(yàn)室或論文中，而是在真實(shí)世界中、在蘋果芯片上、在當(dāng)今最主流的AI模型任務(wù)中，扎實(shí)地跑了出來(lái)。

由此，就證明了自動(dòng)化代碼優(yōu)化技術(shù)在真實(shí)世界系統(tǒng)中的實(shí)際可用性。

它標(biāo)志著一個(gè)新的時(shí)代正在開啟：不再是人類為機(jī)器手寫優(yōu)化，而是機(jī)器開始為自己寫更好的代碼。

而在之后，隨著硬件架構(gòu)持續(xù)高速迭代，OpenEvolve這種工具的價(jià)值還會(huì)愈加凸顯——它們將發(fā)掘出那些僅憑人力極難找到的深度優(yōu)化機(jī)會(huì)。

挑戰(zhàn)：GPU核函數(shù)優(yōu)化

為什么說(shuō)，OpenEvolve攻克的這個(gè)「GPU核函數(shù)優(yōu)化」，這么有挑戰(zhàn)性呢？

這是因?yàn)?，現(xiàn)代Transformer模型嚴(yán)重依賴于高度優(yōu)化的注意力核函數(shù)，但編寫高性能的GPU代碼卻需要具備以下領(lǐng)域的深厚專業(yè)知識(shí)。

• 特定硬件架構(gòu)的細(xì)節(jié)（如Apple Silicon的統(tǒng)一內(nèi)存、SIMD單元） 
• 底層編程語(yǔ)言（如Metal Shading Language） 
• 數(shù)值算法設(shè)計(jì)（如注意力機(jī)制、數(shù)值穩(wěn)定性） 
• 內(nèi)存訪問(wèn)模式的優(yōu)化

所以，是否有可能不用人寫代碼，完全交給OpenEvolve，讓它自動(dòng)進(jìn)化，看是否能生成性能更強(qiáng)的GPU核函數(shù)代碼？

為此，Sharma決定以Qwen3-0.6B模型的分組查詢注意力（GQA）實(shí)現(xiàn)為目標(biāo)，來(lái)檢驗(yàn)OpenEvolve的能力，看它是否能自動(dòng)生成超越MLX生產(chǎn)級(jí)的「scaled_dot_product_attention」核函數(shù)的代碼。

具體來(lái)說(shuō)，項(xiàng)目的目標(biāo)配置如下。

• 模型：Qwen3-0.6B（40個(gè)查詢頭 : 8個(gè)鍵值頭） 
• 硬件：配備統(tǒng)一內(nèi)存的蘋果M系列GPU 
• 基線：MLX的高度優(yōu)化的注意力實(shí)現(xiàn)方案 
• 挑戰(zhàn)：全自動(dòng)發(fā)現(xiàn)Metal核函數(shù)的優(yōu)化方法

進(jìn)化方法

Sharma將OpenEvolve配置為直接進(jìn)化Metal核函數(shù)的源代碼，同時(shí)保留其與MLX框架的集成方式。

整個(gè)系統(tǒng)從一個(gè)基礎(chǔ)的三階段注意力實(shí)現(xiàn)方案開始，歷經(jīng)超過(guò)25代的進(jìn)化。

進(jìn)化設(shè)置

max_iterations: 25                      # 最大迭代次數(shù)population_size: 25                     # 種群大小llm:  primary_model: "gemini-2.5-flash"     # 主模型：用于快速探索 (60%)  secondary_model: "gemini-2.5-pro"     # 輔助模型：用于深度優(yōu)化 (40%)database:  num_islands: 5                        # 島嶼數(shù)量：用于并行進(jìn)化多個(gè)種群evaluator:  bulletproof_mode: true                # 啟用高強(qiáng)度GPU錯(cuò)誤防護(hù)模式

max_iterations: 25                      # 最大迭代次數(shù)
population_size: 25                     # 種群大小
llm:
  primary_model: "gemini-2.5-flash"     # 主模型：用于快速探索 (60%)
  secondary_model: "gemini-2.5-pro"     # 輔助模型：用于深度優(yōu)化 (40%)
database:
  num_islands: 5                        # 島嶼數(shù)量：用于并行進(jìn)化多個(gè)種群
evaluator:
  bulletproof_mode: true                # 啟用高強(qiáng)度GPU錯(cuò)誤防護(hù)模式

評(píng)估策略

每一個(gè)通過(guò)進(jìn)化生成的核函數(shù)都經(jīng)過(guò)了以下維度的全面測(cè)試：

• 正確性驗(yàn)證：與MLX基線進(jìn)行數(shù)值精度對(duì)比，確保計(jì)算結(jié)果無(wú)誤。
• 性能測(cè)試：在20個(gè)多樣化的推理場(chǎng)景（包括短/長(zhǎng)上下文、生成任務(wù)）中進(jìn)行基準(zhǔn)測(cè)試。
• 安全性檢查：包含GPU錯(cuò)誤檢測(cè)和Metal內(nèi)存訪問(wèn)驗(yàn)證。
• 魯棒性分析：通過(guò)多次重復(fù)運(yùn)行進(jìn)行統(tǒng)計(jì)分析，確保性能穩(wěn)定。

關(guān)鍵優(yōu)化

沒(méi)想到，OpenEvolve在進(jìn)化過(guò)程中，自主發(fā)現(xiàn)了以下幾項(xiàng)體現(xiàn)出算法創(chuàng)新的優(yōu)化策略！

1. 針對(duì)Apple Silicon的SIMD優(yōu)化

// 進(jìn)化前：逐元素標(biāo)量運(yùn)算for (uint d = 0; d < HEAD_DIM; d++) {    score += query_vec[d] * keys[k_base + d];}// 進(jìn)化后：完美利用SIMD指令vec<T, 8> query_vec_v[HEAD_DIM / 8];  // 對(duì)于128維的頭，使用16個(gè)8元向量for (uint d_vec = 0; d_vec < HEAD_DIM / 8; d_vec++) {    score += dot(query_vec_v[d_vec], ((device vec<T, 8>*)(keys + k_base))[d_vec]);}

// 進(jìn)化前：逐元素標(biāo)量運(yùn)算
for (uint d = 0; d < HEAD_DIM; d++) {
    score += query_vec[d] * keys[k_base + d];
}
// 進(jìn)化后：完美利用SIMD指令
vec<T, 8> query_vec_v[HEAD_DIM / 8];  // 對(duì)于128維的頭，使用16個(gè)8元向量
for (uint d_vec = 0; d_vec < HEAD_DIM / 8; d_vec++) {
    score += dot(query_vec_v[d_vec], ((device vec<T, 8>*)(keys + k_base))[d_vec]);
}

仔細(xì)看就會(huì)發(fā)現(xiàn)，OpenEvolve的一個(gè)亮點(diǎn)，就是自己發(fā)現(xiàn)了一個(gè)非常巧妙的優(yōu)化——

對(duì)于128維的注意力頭，如果把數(shù)據(jù)按8個(gè)一組來(lái)處理，剛好就能完美匹配Apple Silicon硬件的SIMD寬度。

這就相當(dāng)于自動(dòng)踩中了硬件的「甜點(diǎn)區(qū)」，完全不需要任何人工調(diào)優(yōu)，就能把性能直接拉滿，讓硬件利用率最大化！

2. 兩階段在線Softmax（Two-Pass Online Softmax）

// Pass 1：在線計(jì)算最大值，用于數(shù)值穩(wěn)定T max_score = T(-INFINITY);for (uint key_pos = 0; key_pos < SEQ_LEN; key_pos++) {    T score = compute_attention_score(query_vec, key_vec) * scale_val;    max_score = max(max_score, score);}// Pass 2：融合Softmax計(jì)算與后續(xù)的值累加T sum_exp = T(0.0);vec<T, 8> output_acc_v[HEAD_DIM / 8];for (uint key_pos = 0; key_pos < SEQ_LEN; key_pos++) {    T exp_score = exp(current_score - max_score);    sum_exp += exp_score;    // 關(guān)鍵創(chuàng)新：將權(quán)重與value向量相乘并累加的過(guò)程相融合    output_acc_v[d_vec] += exp_score * ((device vec<T, 8>*)(values + v_base))[d_vec];}

// Pass 1：在線計(jì)算最大值，用于數(shù)值穩(wěn)定
T max_score = T(-INFINITY);
for (uint key_pos = 0; key_pos < SEQ_LEN; key_pos++) {
    T score = compute_attention_score(query_vec, key_vec) * scale_val;
    max_score = max(max_score, score);
}
// Pass 2：融合Softmax計(jì)算與后續(xù)的值累加
T sum_exp = T(0.0);
vec<T, 8> output_acc_v[HEAD_DIM / 8];
for (uint key_pos = 0; key_pos < SEQ_LEN; key_pos++) {
    T exp_score = exp(current_score - max_score);
    sum_exp += exp_score;
    // 關(guān)鍵創(chuàng)新：將權(quán)重與value向量相乘并累加的過(guò)程相融合
    output_acc_v[d_vec] += exp_score * ((device vec<T, 8>*)(values + v_base))[d_vec];
}

在這個(gè)過(guò)程中，OpenEvolve做了一個(gè)很聰明的創(chuàng)新：把原來(lái)分開的兩個(gè)步驟——Softmax歸一化和值累加，融合到了一個(gè)計(jì)算循環(huán)中。

原本，傳統(tǒng)算法要三個(gè)階段才能跑完：先算注意力得分，再歸一化，再加權(quán)求和。

現(xiàn)在直接兩步搞定，流程更簡(jiǎn)潔，還大大降低了對(duì)內(nèi)存帶寬的占用，自然就跑得更快、更省資源了。

3. 針對(duì)GQA的特定內(nèi)存布局優(yōu)化

// 針對(duì)GQA的5:1查詢頭/鍵值頭比例，進(jìn)行直接映射const uint kv_head_idx = head_idx / HEADS_PER_KV;  // 精巧的頭映射邏輯// 實(shí)現(xiàn)合并內(nèi)存訪問(wèn)模式const uint q_base = batch_idx * (NUM_HEADS * SEQ_LEN * HEAD_DIM) +                     head_idx * (SEQ_LEN * HEAD_DIM) +                     query_pos * HEAD_DIM;

// 針對(duì)GQA的5:1查詢頭/鍵值頭比例，進(jìn)行直接映射
const uint kv_head_idx = head_idx / HEADS_PER_KV;  // 精巧的頭映射邏輯
// 實(shí)現(xiàn)合并內(nèi)存訪問(wèn)模式
const uint q_base = batch_idx * (NUM_HEADS * SEQ_LEN * HEAD_DIM) + 
                    head_idx * (SEQ_LEN * HEAD_DIM) + 
                    query_pos * HEAD_DIM;

在此處，OpenEvolve的創(chuàng)新點(diǎn)在于，專門針對(duì)Qwen3模型的特殊結(jié)構(gòu)做了優(yōu)化。

這個(gè)模型的查詢頭與鍵值頭的比例是特有的40:8（即5:1），系統(tǒng)充分利用了這個(gè)特性，設(shè)計(jì)出一種獨(dú)特的合并內(nèi)存訪問(wèn)（Coalesced Memory Access）的模式。

這種模式，特別適合Apple Silicon的統(tǒng)一內(nèi)存架構(gòu)，堪稱是量身定制，效率極高，性能拉滿。

評(píng)測(cè)結(jié)果

果然，最終進(jìn)化生成的核函數(shù)在各項(xiàng)綜合基準(zhǔn)測(cè)試中，都展現(xiàn)出了顯著的性能提升：

核心性能指標(biāo)增益

• 解碼速度（Decode Speed）：平均提升+12.5%（標(biāo)準(zhǔn)差σ = 38.3%）
• 預(yù)填充速度（Prefill Speed）：平均提升+14.4%（標(biāo)準(zhǔn)差σ = 17.6%）
• 總吞吐量（Total Throughput）：平均提升+10.4%（標(biāo)準(zhǔn)差σ = 30.7%）
• 內(nèi)存使用量（Memory Usage）：平均降低+0.99%（標(biāo)準(zhǔn)差σ = 1.7%）
• 正確性（Correctness）：保持100%的數(shù)值精度
• 可靠性（Reliability）：零GPU錯(cuò)誤或核函數(shù)崩潰

詳細(xì)基準(zhǔn)測(cè)試結(jié)果

而且其中最為矚目的是，在處理重復(fù)性模式生成任務(wù)時(shí)，OpenEvolve進(jìn)化生成的核函數(shù)直接把解碼速度提升了足足106%！

如此一來(lái)也就充分證明了，這個(gè)核函數(shù)在應(yīng)對(duì)特定類型的工作負(fù)載時(shí)，真的性能爆棚。

統(tǒng)計(jì)分析

總之，從統(tǒng)計(jì)結(jié)果來(lái)看，OpenEvolve在某些特定類型的工作負(fù)載上，確實(shí)有很強(qiáng)的優(yōu)化能力，能挖掘出原先的手寫代碼難以觸及的性能潛力。

在20個(gè)不同測(cè)試任務(wù)中，它在其中7個(gè)任務(wù)上提升非常明顯，性能增長(zhǎng)超過(guò)了25%，體現(xiàn)出了「質(zhì)的飛躍」。

• 顯著增益（>25%）：7/20個(gè)基準(zhǔn)
• 中等增益（5-25%）：3/20個(gè)基準(zhǔn)
• 性能持平（±5%）：4/20個(gè)基準(zhǔn)
• 性能回退（<-5%）：6/20個(gè)基準(zhǔn)

背后功臣：高魯棒性評(píng)估系統(tǒng)

注意，這一項(xiàng)目之所以能成功，有一個(gè)關(guān)鍵功臣就是OpenEvolve背后的評(píng)估系統(tǒng)。

它不是普通的跑分工具，而是專門為GPU核函數(shù)這種「硬核」代碼而設(shè)計(jì)的，專為應(yīng)對(duì)GPU核函數(shù)開發(fā)過(guò)程中的各種挑戰(zhàn)。

GPU安全特性

• 命令緩沖區(qū)保護(hù)：自動(dòng)檢測(cè)Metal命令緩沖區(qū)的錯(cuò)誤并從中恢復(fù)。
• 內(nèi)存訪問(wèn)違規(guī)處理：安全地處理GPU內(nèi)存訪問(wèn)違規(guī)。
• 重試邏輯：為瞬時(shí)GPU錯(cuò)誤提供指數(shù)退避重試機(jī)制。
• 回退機(jī)制：當(dāng)核函數(shù)徹底失敗時(shí)，能夠優(yōu)雅地降級(jí)到備用方案。

全面的錯(cuò)誤統(tǒng)計(jì)

# 評(píng)估結(jié)果示例{    "metal_safety_statistics": {        "metal_command_buffer_errors": 0,        "metal_memory_violations": 0,        "total_metal_errors": 0,        "safety_score": 100.0    }}
正是因?yàn)檫@套評(píng)估系統(tǒng)特別穩(wěn)、魯棒性極高，OpenEvolve才敢放開手腳去嘗試各種激進(jìn)的優(yōu)化方案，而不用擔(dān)心「越改越崩」。要知道，GPU核函數(shù)這種實(shí)驗(yàn)性代碼本來(lái)就很容易出錯(cuò)，一點(diǎn)小問(wèn)題就可能導(dǎo)致整個(gè)程序掛掉。所以，有這么一套高魯棒性的機(jī)制兜底，才讓系統(tǒng)能放心大膽地「卷」出新花樣，把性能一步步推上去。
# 評(píng)估結(jié)果示例
{
    "metal_safety_statistics": {
        "metal_command_buffer_errors": 0,
        "metal_memory_violations": 0,
        "total_metal_errors": 0,
        "safety_score": 100.0
    }
}

技術(shù)深度剖析

面向GPU核函數(shù)的進(jìn)化架構(gòu)

此外，項(xiàng)目的成功也離不開OpenEvolve中多個(gè)組件的協(xié)同工作：

• 智能代碼標(biāo)記：通過(guò)特定標(biāo)記，確保進(jìn)化過(guò)程僅針對(duì)Metal核函數(shù)源代碼，同時(shí)完整保留與MLX框架的集成代碼。

# EVOLVE-BLOCK-STARTkernel_source = """http:// 僅此塊內(nèi)的Metal核函數(shù)代碼會(huì)被進(jìn)化"""# EVOLVE-BLOCK-END

# EVOLVE-BLOCK-START
kernel_source = """
// 僅此塊內(nèi)的Metal核函數(shù)代碼會(huì)被進(jìn)化
"""
# EVOLVE-BLOCK-END

• 富含上下文信息的提示詞：為進(jìn)化提供的提示詞包含了性能數(shù)據(jù)、硬件規(guī)格和優(yōu)化方向指南。
• 多目標(biāo)評(píng)分機(jī)制：在性能、正確性和安全性等多個(gè)目標(biāo)之間進(jìn)行權(quán)衡評(píng)分。
• 特定硬件驗(yàn)證：所有測(cè)試和優(yōu)化都針對(duì)Apple Silicon硬件進(jìn)行。

面向GPU優(yōu)化的提示詞工程

與此同時(shí)，為進(jìn)化過(guò)程提供的提示詞，也給OpenEvolve提供了至關(guān)重要的上下文信息：

## 硬件上下文信息- Apple Silicon M-series GPU with unified memory（GPU為Apple Silicon M系列，采用統(tǒng)一內(nèi)存架構(gòu)）- SIMD width: 8 elements optimal for vec<T, 8>（最佳SIMD寬度為8個(gè)元素，適用于vec<T, 8>類型）- Thread group size: 32 threads for optimal occupancy（最佳線程組大小為32線程，以達(dá)到最高硬件占用率）## 優(yōu)化目標(biāo)- Minimize memory bandwidth usage（最小化內(nèi)存帶寬占用）- Maximize SIMD utilization（最大化SIMD指令利用率）- Exploit GQA 40:8 head structure（充分利用GQA模型的40:8頭結(jié)構(gòu)特性）- Maintain numerical stability（保持?jǐn)?shù)值計(jì)算的穩(wěn)定性）## 性能基線Current decode speed: 140.6 tokens/sec（當(dāng)前解碼速度：140.6 token/秒）Target improvement: >5% speedup required（目標(biāo)：需要>5%的速度提升）

## 硬件上下文信息
- Apple Silicon M-series GPU with unified memory（GPU為Apple Silicon M系列，采用統(tǒng)一內(nèi)存架構(gòu)）
- SIMD width: 8 elements optimal for vec<T, 8>（最佳SIMD寬度為8個(gè)元素，適用于vec<T, 8>類型）
- Thread group size: 32 threads for optimal occupancy（最佳線程組大小為32線程，以達(dá)到最高硬件占用率）
## 優(yōu)化目標(biāo)
- Minimize memory bandwidth usage（最小化內(nèi)存帶寬占用）
- Maximize SIMD utilization（最大化SIMD指令利用率）
- Exploit GQA 40:8 head structure（充分利用GQA模型的40:8頭結(jié)構(gòu)特性）
- Maintain numerical stability（保持?jǐn)?shù)值計(jì)算的穩(wěn)定性）
## 性能基線
Current decode speed: 140.6 tokens/sec（當(dāng)前解碼速度：140.6 token/秒）
Target improvement: >5% speedup required（目標(biāo)：需要>5%的速度提升）

更深遠(yuǎn)的影響

總之，本次對(duì)GPU核函數(shù)的成功優(yōu)化，揭示了以下幾點(diǎn)重要原則：

1. 專業(yè)知識(shí)的自動(dòng)化探索與發(fā)現(xiàn)

OpenEvolve發(fā)現(xiàn)的優(yōu)化策略，涵蓋了眾多需要深厚專業(yè)知識(shí)的領(lǐng)域：

• Apple Silicon的架構(gòu)細(xì)節(jié)
• Metal編程語(yǔ)言的精妙之處
• 注意力算法的各種變體
• 內(nèi)存訪問(wèn)模式的優(yōu)化

這些領(lǐng)域知識(shí)并非由人類工程師直接提供，而是在進(jìn)化探索的過(guò)程中自主涌現(xiàn)的。

2. 面向特定硬件的自適應(yīng)優(yōu)化

最終的優(yōu)化方案是為Apple Silicon硬件量身定制的，這就表明，OpenEvolve具備自動(dòng)發(fā)掘、利用特定硬件特性的能力。

3. 算法層面的創(chuàng)新

進(jìn)化過(guò)程發(fā)現(xiàn)的「兩階段在線Softmax（two-pass online softmax）」算法，本身就是一項(xiàng)新穎的技術(shù)貢獻(xiàn)，應(yīng)用潛力已經(jīng)遠(yuǎn)遠(yuǎn)超出了本次實(shí)驗(yàn)的特定場(chǎng)景。

4. 具備投產(chǎn)應(yīng)用的價(jià)值

這些優(yōu)化并非「紙上談兵」，而是在真實(shí)的Transformer推理負(fù)載中能帶來(lái)顯著性能提升的實(shí)用技術(shù)，完全具備在生產(chǎn)環(huán)境中部署的價(jià)值。

核心技術(shù)架構(gòu)升級(jí)

并且，自項(xiàng)目啟動(dòng)以來(lái)，Sharma已對(duì)OpenEvolve的核心能力進(jìn)行了顯著增強(qiáng)：

• 可復(fù)現(xiàn)性（Reproducibility）

通過(guò)完全確定性的進(jìn)化過(guò)程，保證科研級(jí)別的可復(fù)現(xiàn)性。

random_seed: 42  # 確保每次運(yùn)行結(jié)果完全一致

random_seed: 42  # 確保每次運(yùn)行結(jié)果完全一致

• 可視化（Visualization）

提供可交互的進(jìn)化樹視圖，支持實(shí)時(shí)性能追蹤。

python scripts/visualizer.py

python scripts/visualizer.py

• 島嶼進(jìn)化（Island Evolution）

通過(guò)種群遷移實(shí)現(xiàn)并行進(jìn)化，以增強(qiáng)解空間的探索能力。

database:  num_islands: 5  migration_interval: 25

database:
  num_islands: 5
  migration_interval: 25

• 穩(wěn)健的檢查點(diǎn)機(jī)制（Robust Checkpointing）

支持自動(dòng)保存進(jìn)度，并能從中斷處恢復(fù)進(jìn)化會(huì)話。

快速開始

所以，你準(zhǔn)備好親自上手，挑戰(zhàn)GPU核函數(shù)優(yōu)化或其他復(fù)雜難題了嗎？

輸入以下代碼，就可以快速開始了：

# 克隆倉(cāng)庫(kù)git clone https://github.com/codelion/openevolve.gitcd openevolve# 安裝依賴pip install -e .# 運(yùn)行MLX核函數(shù)優(yōu)化示例cd examples/mlx_metal_kernel_optpython openevolve-run.py initial_program.py evaluator.py --iterations 25

# 克隆倉(cāng)庫(kù)
git clone https://github.com/codelion/openevolve.git
cd openevolve
# 安裝依賴
pip install -e .
# 運(yùn)行MLX核函數(shù)優(yōu)化示例
cd examples/mlx_metal_kernel_opt
python openevolve-run.py initial_program.py evaluator.py --iterations 25

如果想進(jìn)一步了解更深入的信息，建議仔細(xì)閱讀一下這幾個(gè)文檔。

GPU內(nèi)核優(yōu)化指南：https://github.com/codelion/openevolve/tree/main/examples/mlx_metal_kernel_opt

通用教程：https://github.com/codelion/openevolve#getting-started

配置參考：https://github.com/codelion/openevolve/tree/main/configs