EliteTable Tanıtıldı: LLM Destekli Öz-Geliştirmeli Program Arama Algoritması

Stuart Farmer tarafından geliştirilen ve 8 Ekim 2026 tarihinde arXiv veri tabanında (cs.AI ve cs.NE kategorilerinde) yayımlanan EliteTable, büyük dil modellerinin (LLM) rehberliğinde yürütülen yeni bir öz-geliştirmeli program arama algoritması olarak duyuruldu. Sistem, yürütülebilir kontrol politikalarını optimize etmek amacıyla yüksek puanlı çözümlerden oluşan sabit kapasiteli bir tablo mekanizmasından yararlanıyor.

EliteTable Algoritmasının Çalışma Mekanizması

Algoritmanın temel yapısı, yüksek performanslı çözümlerin saklandığı ve güncellendiği sabit kapasiteli bir tabloya dayanıyor. Büyük dil modelleri, bu tablodaki mevcut verilere dayanarak yeni kod veya program önerileri sunuyor, var olan çözümler üzerinde düzenlemeler yapıyor ya da farklı çözümleri bir araya getirerek harmanlıyor. Bu tasarım, program arama sürecinin verimliliğini artırmayı ve en iyi çözümleri yinelemeli olarak iyileştirmeyi hedefliyor.

Gymnasium Kontrol Görevlerinde Yapılan Testler ve Bulgular

Araştırma kapsamında EliteTable’ın performansı, altı farklı Gymnasium kontrol görevi üzerinden titizlikle test edildi. Her bir görev için 10 nesil ve her nesilde 50 aday slotu olacak şekilde yapılandırılan deneylerde, her görev 10 bağımsız başlatılmış aramayla değerlendirildi.

Elde edilen verilere göre:

- Aday Skorları: İlk ve son nesiller arasında aday skor medyanları test edilen altı görevin tamamında artış gösterdi. - Kazanan Performansı: Seçilen kazananların arama skoru medyanları altı görevin beşinde yükseldi. - CartPole-v1 Başarısı: Özellikle CartPole-v1 görevinde, seçilen kazanan ilk nesilde tüm on aramanın tamamında maksimum arama skoru tavanına ulaştı. - Eşleştirilmiş Uç Noktalar: Test edilen görevlerin dördünde, tüm eşleştirilmiş deneme uç noktaları iyileşme kaydetti. - BipedalWalker-v3 ve CarRacing-v3: Bu görevlerde genel bir performans artışı görülmesine rağmen raporlama hedeflerine tam olarak ulaşılamadı. - Acrobot-v1 Zorlukları: Buna karşılık, Acrobot-v1 görevinde on aramanın altısı deneme bölümlerinde düşüş yaşadı ve medyan eşleştirilmiş değişim negatif yönlü gerçekleşti.

Gelecek Adımlar ve Eksik Kalan Alanlar

Çalışma, program arama sürecindeki genel gelişmeleri ve seçilen kazananların kazançlarının bazı görevlerde yeni bölümlere başarılı bir şekilde aktarılabildiğini belgeliyor. Ancak yazar Stuart Farmer, EliteTable'ın göreceli performansını net olarak kanıtlamak ve algoritmayı oluşturan alt bileşenlerin bireysel katkılarını ortaya koymak için ek karşılaştırma ve ablasyon çalışmalarına ihtiyaç duyulduğunu vurguluyor.