POLCA：保留噪声历史的生成式程序优化¶

component_only / L0；优先队列和真实回调接口已实现，没有声称已运行 LLM 优化器或 benchmark 能力。完整实验：成本过高，不复现（审查 DONE）。

论文信息¶

字段	内容
论文链接	arXiv 2603.14769，v1 §3 / Algorithm 1
公司/机构	一作 Xuanfei Ren：University of Wisconsin-Madison；Google DeepMind / Google Research 合作
首次公开日期	2026-03-16 03:07:44 UTC（v1）
原文开源代码	是：rlx-lab/POLCA；入口 setup 指向 Trace experimental，已核真实 epsilon-net / summarizer 核心，不只看 README
本地 Adapter	无；独立组件 `polca`
本地复现代码	`src/auto_research/agent_research/google16_polca.py`

原始论文总结¶

背景与主要改动¶

随机 minibatch、程序与评估器都会产生噪声。POLCA 不仅保留一次最高分，而是持续更新候选评价历史；Summarizer 形成全局经验，Proposer 利用当前反馈提出参数，语义 epsilon-net 限制冗余候选。原文 §3

flowchart LR
    Q[参数与全部评价历史] --> P[按经验均值选旧候选]
    P --> B[同一validation minibatch评价]
    B --> H[更新历史并调用Summarizer]
    H --> O[调用真实Proposer接口]
    O --> E[epsilon-net farthest-first]
    E --> N[同batch评价新候选]
    N --> Q

原论文关键图¶

原论文 v1 Figure 1，第2页；版权归作者。右侧曲线是论文汇总，不是本地结果。截图来源记录

图片来自原论文，版权归原作者所有。

核心公式¶

\[ p(\theta)=\frac1{N_\theta}\sum_i r_i, \qquad \min_{q\in Q}\|\phi(\theta')-\phi(q)\|_2>\varepsilon. \]

正文的经验均值优先级与理论分析 UCB 版本分开；本地没有把不同规则混用。过滤按作者实现采用距当前集合最远者优先，加入一个后重新计算余下候选距离。

论文离线与线上效果¶

原文在 tau-bench、HotpotQA、VeriBench、KernelBench 比较样本/时间效率，并研究 epsilon-net 与 Summarizer 消融；这是离线优化，不是生产 A/B。本地不抄论文归一化汇总分当作自己的指标。§5

本地复现¶

PYTHONPATH=src python -m pytest tests/test_google16_polca.py

数据协议与结果¶

6 项测试通过，覆盖严格 epsilon 边界、新候选互相过滤、同一有放回 minibatch、跨轮噪声均值/方差、完整输入/输出历史送入 Summarizer/Proposer、预算耗尽及拒绝 test split。诊断记录

代码映射与边界¶

Polca.round 要求提供 evaluator、summarizer、proposer；没有默认固定“LLM 输出”兜底。evaluator明确返回 EvaluationResult(score, feedback, output)；Observation 保存真实 input/output 及分数、反馈，而非约定把轨迹藏在feedback字符串。Summarizer读取完整memory，Proposer读取当前选中候选的完整history。输入输出深拷贝防止后续mutation篡改历史。

调用方须提供真实、与奖励独立的语义 embedding；单测中的一维坐标仅检验距离规则。失败前已完成的观察也保留，metric call在调用前计数。既有与新候选用同一 batch，未评价的新提案单列 deferred_budget，不加入候选统计。

默认最多 64 次 metric、16 个 memory、每轮最多 16 个新提案；这不限制外部回调自身的硬件成本，接入真实模型前仍需成本门禁。本组件没有付费 API、模型下载或 CUDA 路径，未接入统一 Evolve，callback 单测不代表 LLM 搜索能力。

成本决定¶

完整多 benchmark×多 baseline×3/6 seed、每题最多 50 轮并调用优化/embedding API，明显超出单卡/Mac短验预算（依据论文及上游配置，非本地计费实测）。成本过高，不复现（审查 DONE），不自动展开完整搜索矩阵。