Обзор эволюции

ChainEvolver запускает генетический поиск по вариантам цепочки: мутирует базовую цепочку, оценивает каждый вариант на вашем датасете, сохраняет лучших и повторяет в течение нескольких поколений.

from mmar_carl import ChainEvolver

evolver = ChainEvolver(
    base_chain=chain,
    dataset=dataset,
    metric=AccuracyMetric(),
    population_size=6,
    generations=3,
    elitism=2,
    checkpoint_path="evolution.json",   # atomic resume on crash
)

result = await evolver.evolve(
    context_factory=lambda case: ReasoningContext(outer_context=case.input, api=client),
)
print(result.best_score, "@ generation", result.best_generation)
best = ReasoningChain.from_dict(result.best_chain_spec)   # rehydrate the winner

Конструктор

Параметр	Тип	По умолчанию	Назначение
`base_chain`	`ReasoningChain`	—	Цепочка для эволюции.
`dataset`	`AbstractDataset`	—	Кейсы, по которым оценивается каждый вариант.
`metric`	`MetricBase \| list[MetricBase]`	—	Одна метрика или несколько (многоцелевые).
`fitness_fn`	`Callable[[dict], float] \| None`	среднее метрик	Объединяет оценки метрик в одну приспособленность.
`mutator`	`ChainMutator \| None`	`None`	Какие мутации пробовать — см. мутации.
`population_size`	`int`	`6`	Вариантов на поколение.
`generations`	`int`	`3`	Количество поколений.
`elitism`	`int`	`2`	Лучшие варианты, переносимые без изменений.
`smoke_check`	`bool`	`True`	Проверить базовую цепочку перед эволюцией.
`max_concurrent_individuals`	`int`	`1`	Оценивать одновременно столько вариантов.
`checkpoint_path`	`str \| None`	`None`	Атомарный файл контрольной точки для безопасного возобновления после сбоя.

evolve(context_factory) асинхронный и возвращает EvolutionResult.

Многоцелевая оптимизация

Передайте список метрик и fitness_fn для их взвешивания:

evolver = ChainEvolver(
    base_chain=chain,
    dataset=dataset,
    metric=[AccuracyMetric(), BrevityMetric()],
    fitness_fn=lambda s: 0.7 * s["accuracy"] + 0.3 * s["brevity"],
    population_size=4, generations=3, elitism=1,
)

Имена метрик должны быть уникальными. Без fitness_fn приспособленность равна среднему по всем метрикам.

Предварительный расчёт стоимости

Оцените расходы до запуска:

estimate = evolver.estimate_cost(
    context_factory,
    pricing={"qwen/qwen3-8b": (0.00002, 0.00006)},
)
print(estimate.format_summary())   # smoke + population × generations × cases

Тот же расчёт лежит в основе предпросмотра бюджета в TUI: панель эволюции в MAESTRO CARE показывает эту оценку и счётчик расходов в реальном времени — до запуска и во время него.

Смотрите также

Мутации и результаты
Оценка — датасет и метрика, по которым evolver выставляет оценки.
Панель эволюции в MAESTRO CARE — запуск генетического поиска с предпросмотром бюджета и счётчиком расходов в реальном времени.