程序合成

研究人员提出ARCANA多智能体框架，通过感知、假设、执行与反思的迭代协作，在严格约束下解决ARC-AGI-2抽象推理任务。该框架结合结构化程序搜索与自适应修正机制，显著提升推理效率。

OPINE-World 提出一种基于 LLM 的智能体，能够通过交互在线学习以对象为中心的程序化世界模型，并在 ARC-AGI-3 基准测试中展现出高效的任务适应能力。

研究人员提出AlgoEvolve框架，利用大语言模型作为语义突变算子，在算法交易领域实现程序的自进化与元进化。该系统能自主适应市场变化，其元进化外层甚至能优化内层合成程序的提示词策略。

研究者提出EPB框架，首次将黑箱神经组合优化模型转化为可读程序组合，通过LLM自主演化程序库实现决策过程透明化，在保持性能的同时揭示优化行为的阶段性变化。