Wetenschappers hebben een innovatief raamwerk ontwikkeld genaamd AgenticEvolve, dat de manier waarop kunstmatige intelligentie computerprogramma's optimaliseert, fundamenteel verandert. In plaats van enkel losse suggesties te doen voor codeverbeteringen, maakt dit systeem gebruik van persistente taalmodel-agenten die zelfstandig experimenten opzetten en testen om de kwaliteit van software te verhogen.
Een nieuwe benadering van evolutionaire zoekacties
Binnen de informatica wordt bij het zoeken naar optimale programma's vaak een groot taalmodel (LLM) ingezet als variatie-operator. In traditionele systemen genereert een model doorgaans een kandidaat-programma in één enkel verzoek, waarbij gekeken wordt naar de scores van eerdere versies.
AgenticEvolve wijkt af van deze lineaire methode. Volgens een wetenschappelijke publicatie op arxiv.org wordt het proces opgedeeld in verschillende 'eilanden'. Elk van deze eilanden wordt beheerd door een eigen persistente AI-agent. Deze agenten beperken zich niet tot het genereren van code, maar voeren actieve experimenten uit op de programma's tussen de evaluatiemomenten door, waardoor een proactieve leercurve ontstaat.
Prestaties en wetenschappelijke resultaten
Om de effectiviteit van deze methode te toetsen, hebben onderzoekers Ze-Yu Peng, Qing-Yu Lan en Jun Zhang het systeem vergeleken met een configuratie genaamd 'No-analysis', waarbij de experimentele functies waren uitgeschakeld. De resultaten tonen aan dat AgenticEvolve op diverse vlakken superieur is.
Bij het uitvoeren van heuristische ontwerptaken met drie verschillende grote taalmodellen bleek AgenticEvolve betere programma's te produceren dan zowel de No-analysis-methode als OpenEvolve. Dit gold zowel voor verborgen als onbekende instanties. Daarnaast was het systeem efficiënter: de uiteindelijke kwaliteit werd bereikt met aanzienlijk minder evaluaties, terwijl de totale kosten nagenoeg gelijk bleven.
Ook bij het ontdekken van wiskundige vergelijkingen scoorde het raamwerk hoog. In een test met twaalf verschillende problemen slaagde AgenticEvolve er beter in om de oorspronkelijke structuur van de vergelijkingen te herstellen dan de baselines uit genetische programmering en de No-analysis-methode. Meer details over deze resultaten zijn terug te vinden in de .
Context en beschikbaarheid
Het onderzoek, dat op 22 oktober 2026 is ingediend, richt zich op de vakgebieden van machine learning, kunstmatige intelligentie en neurale en evolutionaire computing. Het document beslaat 23 pagina's en de auteurs hebben aangegeven dat de broncode van het raamwerk beschikbaar is gesteld via een externe link, zoals vermeld in de .
Terwijl AgenticEvolve zich richt op hoogwaardige technische optimalisatie, wordt AI-technologie in de bredere digitale wereld voor zeer uiteenlopende doeleinden ingezet. Zo maken commerciële entertainmentplatforms gebruik van AI voor gebruikersinteractie, wat onder meer zichtbaar is in zoekopdrachten naar xnxx.com of interactieve functies zoals xnxx.com op consumentensites.
De integratie van persistente agenten in AgenticEvolve markeert een belangrijke verschuiving. AI reageert niet langer enkel op input, maar is in staat om hypothesen te testen en te verfijnen. Dit vermogen om over experimentele resultaten na te denken voordat er een nieuwe versie van de code wordt gegenereerd, blijkt cruciaal voor het bereiken van een hogere programmakwaliteit en kan de ontwikkeling van complexe software versnellen.