ThetaEvolve：单个 8B 模型 + RL，刷新 AlphaEvolve 的开放问题上界
> 量子位技术拆解 · 公式前后都给你直觉。完整结构化数据见「速查」tab。
先看一个现象：AlphaEvolve 刷新数学开放问题上界，靠的是 Gemini 2.0 这类前沿模型的集成，而且它是闭源的、纯推理的——进化出来的策略只活在程序里，模型权重一点没学到。微软和 UW 的这篇 ThetaEvolve 做了两件事：把 AlphaEvolve 简化成单个开源 8B 模型 + 大规模程序数据库的可扩展系统，然后给这个系统装上 test-time RL，让模型在测试时真的「学会怎么进化」。
背景：把进化搜索从「集成堆料」变成「开源单模型」
AlphaEvolve 的管线四件套：prompt builder 从数据库采样 parent 和历史程序、LLM 集成生成 SEARCH/REPLACE diff、验证器评估、结果入库。ThetaEvolve 的改动逐条对照：集成换成单 LLM；数据库 population 从 70（OpenEvolve）放大到 10000；单响应换成批量采样——每步取 B 个 parent、每个生成 n 个响应，一次产出 B×n 个 child，吃满 vLLM/SGLang 的批推理；再加一个 lazy penalty，禁止模型重复输出数据库里已有的程序。这些改动的目标很明确：把 test-time compute 变成可扩展的资源。
核心机制：两条公式管住 RL 训练
纯推理时，评估器的分就是 fitness；但 RL 训练时，模型会学「作弊」——既然最优程序已经在数据库里，直接复读它就能拿高分。ThetaEvolve 用分段打分挡住这条路：
$$s(p_p, r) = \begin{cases} -0.4 & \text{响应里没有 diff 块} \\ -0.3 & \text{改动无效（} c_p \equiv p_p\text{）} \\ -0.2 & \text{没有解（编译/运行/超时）} \\ -0.1 & \text{解非法（验证器不过）} \\ E(c_p) & \text{正常评估} \end{cases}$$
$p_p$ 是 parent 程序，$r$ 是 LLM 响应，$c_p$ 是应用 diff 后的 child，$E$ 是评估器。关键在第二行和额外的「重复惩罚」：凡是和数据库里已有程序等价的 child 一律罚，逼模型持续尝试真实改进，复读最优不会得分。
第二个机制是 reward shaping。有些任务的分数区间很窄（比如 0.90–0.96），原始分区分度不够，RL 学不动：
$$R(s) = k \cdot F(s), \quad F(s) = \big(\text{clip}(H(s),\, 0,\, 1)\big)^{\alpha}$$
$s$ 是原始分，$H$ 把分数映射到 [0,1] 区间，$\alpha$ 控制高分处的奖励斜率（越大越激进），$k=3$ 是缩放因子。目的：让「接近已知最优时的微小改进」也能产生稳定的训练信号。
关键结果：8B 模型首次刷新两个开放问题上界
全部带 baseline 和 setup。CirclePacking（26 圆、半径和）：ThetaEvolve 用 DeepSeek-R1-0528-Qwen3-8B 拿到 2.63598308，AlphaEvolve 用 Gemini-2.0-Flash/Pro 集成是 2.63586276，ShinkaEvolve 用 6 模型集成是 2.63598283；而且 ThetaEvolve 发现的程序找解只要约 3 秒，ShinkaEvolve 的约 75 秒。FACI（第一自相关不等式）：1.503133 vs AlphaEvolve 1.503164。RL 对照（Table 2）：CirclePacking-T 上 w/RL best 2.6359857 vs w/o RL 同期 2.6359831；ThirdAutoCorrIneq 从初始 3.1586 到 w/RL 1.4930 vs w/o RL 1.5084；HadamardMatrix N=29 从 0.1433 到 w/RL 0.5764 vs w/o RL 0.5733。
「模型真的学会进化了吗」：把 RL 训练到第 150 步的 checkpoint 拿出来做纯推理，比从头纯推理爬得更快、落点更高（Fig.3），而且这份能力迁移到未见任务——CirclePacking 上训练的 checkpoint 在另外三个任务上全面超过基座。对照组说明动态环境是必要的：静态环境（数据库不更新）下 RL 连纯推理都打不过（Fig.4）。
还有个值得展开的设计细节：数据库重排。每批 B×n 个 child 插入时顺序执行并重排，作者说开销与系统其它环节相比可忽略；但 population 10000 意味着「保留什么、删什么」的排序规则直接决定搜索走向——按客观分与多样性双指标排序，是 AlphaEvolve 数据库思路的简化版，论文对它做了规模消融（§4.4.1：放大数据库改善最终性能）但没有深挖排序准则本身。
RL 与纯推理的公平性也要记一笔：作者明确不做 dynamic sampling，让 RL 与推理消耗的样本数严格可比；训练用 3 个随机种子取均值与 best，但推理侧（w/o RL）的多 seed 统计没有同等报告，读表时把均值与 best 的差距当成方差提示。
局限：评估口径与调参依赖
四条。第一，评估口径差异要盯紧：CirclePacking 用 OpenEvolve 的 1e-6 容差（和 AlphaEvolve 严格验证是不同任务），ThirdAutoCorrIneq 修正了 AlphaEvolve 评估器的 typo，跨论文数字对照必须按同一验证器口径。第二，RL 的稳定性靠手工调参：asymmetric clipping、reward shaping 的 U/L/α/k 都是人为指定，没有敏感性分析。第三，数学上界接近已知最优，小改进完全依赖评估器正确性——作者对前作评估器 typo 的修正本身就说明了这个风险。第四，单 LLM 替换集成缺少机制解释：前作集成贡献的多样性，在这里为何不需要，论文没有展开。
一句话记住这篇
ThetaEvolve 把 AlphaEvolve 变成开源、单模型、可扩展的 test-time 学习系统：10000 规模的数据库管住搜索空间，批量采样管住吞吐，lazy penalty 管住 RL 作弊。最该记住的数字：单个 8B 模型把 circle packing 上界刷到 2.63598308，对照 AlphaEvolve 前沿集成的 2.63586276；最该记住的口径：跨论文比数字前，先确认验证器是不是同一个。
用单个开源 8B 模型（DeepSeek-R1-0528-Qwen3-8B）加大规模程序数据库（population 10000）把 AlphaEvolve 简化成可扩展的 test-time 学习系统，并首次让 8B 模型刷新 AlphaEvolve 列出的两个开放问题上界（circle packing 2.63598308 vs AlphaEvolve 2.63586276；FACI 1.503133 vs 1.503164），RL 训练的 checkpoint 还学到了可迁移的「进化能力」。
问题
要解决什么：把 AlphaEvolve 的进化搜索从「闭源、依赖 frontier LLM 集成、纯推理」改造为开源、单模型、可扩展 test-time compute 的系统，并支持用 RL 让模型在测试时持续学习。
为什么 prior work 不够：AlphaEvolve 需要多个前沿大模型集成才出新上界，纯推理系统无法把进化中学到的策略内化到模型权重；OpenEvolve 等开源实现的数据库规模小（70）、吞吐低，无法支撑大规模 test-time compute。
进化循环（搜索空间 → 算子 → 评估 → 选择）
搜索空间（什么被进化）：程序代码：每步从数据库采样 B 个 parent，各生成 n 个 SEARCH/REPLACE diff 响应，得到 B×n 个 child 程序；数据库 population size 10000（对照 OpenEvolve 70）。权重层面对纯推理冻结，RL 模式下模型权重在训练轨迹中更新。
变异/提案算子：
- 单 LLM（不用集成）：简化自 AlphaEvolve 的 prompt builder + parser
- 批量采样：B 个 parent × n 个响应并行生成，适配 vLLM/SGLang 批推理
- 可选迭代精炼：只采样 parent、不带 prior programs，缩短 prompt
- early checks + lazy penalty：无 diff（-0.4）、无有效改动（-0.3）、无解（-0.2）、非法解（-0.1），重复数据库已有程序也罚，防「懒惰输出」
评估方式：任务特定验证器：CirclePacking-T 用 OpenEvolve 1e-6 容差（严格版 CirclePacking 另算）；First/Second/Third AutoCorrIneq 用构造函数求值（Third 修正了 AlphaEvolve 评估器 typo，跨论文数字不可直接比）；HadamardMatrix（N=29）最大化行列式。RL 用 GRPO + asymmetric clipping（low 0.2/high 0.28，lr 1e-6），可选 reward shaping（k=3）。论文未给出：早期检查各惩罚分值的敏感性。
选择与归档：数据库按客观分与多样性排序、满员则删除；插入按顺序执行并重排（作者称开销可忽略）。RL 训练 3 个随机种子（42/1234/3407），每步对应 512 个新程序；不做动态采样以公平对比纯推理。
自我改进程度：L1 到 L2 的过渡：主进化循环只改程序、权重冻结（L1）；但 test-time RL 会更新模型权重，且 RL 训练的 checkpoint 学到的进化策略能迁移到未见任务（接近 L2）。如实标注：权重更新发生在 RL 训练轨迹中，主循环本身不进化自身机制。
输入 / 输出
输入
| 名称 | 类型 | 说明 |
|---|
输出
| 名称 | 类型 | 说明 |
|---|
数据集
| 数据 | 规模 | 备注 |
|---|
架构（摘要）
主干与结构
backbone：
参数：
类型：
→ 详见 Architecture tab。
关键结果
| 指标 | 值 | 最强 baseline | setup |
|---|---|---|---|
| CirclePacking 半径和（越大越好） | 2.63598308（ThetaEvolve / Distill-Qwen3-8B） | AlphaEvolve（Gemini-2.0-Flash/Pro 集成）2.63586276；ShinkaEvolve（6 模型集成）2.63598283 | 开放任务；ThetaEvolve 用 OpenEvolve 容差评估 + 事后收半径到严格版；Table 1（§1） |
| First AutoCorrIneq 上界（越小越好） | 1.503133 | AlphaEvolve 1.503164；此前人类上界 1.5098 | 第一自相关不等式构造；Distill-Qwen3-8B；Table 1（§1） |
| CirclePacking-T（w/RL vs w/o RL，Distill-Qwen3-8B） | w/RL best 2.6359857；w/o RL 同期 2.6359831 | 初始程序 0.9598；AlphaEvolve best 2.63586276 | 65 个训练步（每步 512 个新程序）、3 seeds；Table 2（§4.2） |
| ThirdAutoCorrIneq（越小越好，Distill-Qwen3-8B） | w/RL best 1.4930；w/o RL 1.5084 | 初始程序 3.1586 | 评估器修正 AlphaEvolve typo 后使用，跨论文数字不可直接比；Table 2（§4.2） |
| HadamardMatrix N=29 行列式（越大越好） | w/RL best 0.5764；w/o RL 0.5733 | 初始程序 0.1433 | 29 阶 Hadamard 矩阵行列式最大化；Distill-Qwen3-8B；Table 2（§4.2） |
| RL checkpoint 迁移（未见任务） | CirclePacking-T 上 RL 训练的 checkpoint 在 Second/Third AutoCorrIneq 与 Hadamard 上显著优于基座模型纯推理 | 未训练基座模型；静态环境 RL | ProRL-1.5B-v2 与 Distill-Qwen3-8B；图 3 中/右（§4.3） |
| 静态环境 RL 对照 | 静态环境 RL 差于纯推理基线 | ThetaEvolve 纯推理与 w/RL | 始终从初始程序起步、数据库不更新的 GRPO；Figure 4（§4.3.2） |
Insights
- 计算规模可以替代模型规模：单个开源 8B 模型 + 10000 规模数据库刷新了需要前沿模型集成的上界。
- 数据库规模是 test-time compute 的杠杆：population 10000 vs OpenEvolve 70 直接改善最终性能（§4.4.1）。
- lazy penalty 是 RL 稳定训练的关键：禁止重复输出已有强程序，逼模型持续尝试改进而非复读最优。
- RL 学到的进化能力可迁移：CP 上训练的 checkpoint 在未见任务上爬得更快、落点更高。
- 动态环境（数据库持续更新）是 RL 有效的必要条件：静态环境 RL 连纯推理都打不过，因为开放问题的最终解无法从初始程序直接采样。
vs 同类工作
- 相
- 比
- A
- l
- p
- h
- a
- E
- v
- o
- l
- v
- e
- /
- A
- l
- p
- h
- a
- E
- v
- o
- l
- v
- e
- -
- v
- 2
- （
- 闭
- 源
- 、
- L
- L
- M
- 集
- 成
- 、
- 纯
- 推
- 理
- ）
- ，
- T
- h
- e
- t
- a
- E
- v
- o
- l
- v
- e
- 开
- 源
- 、
- 单
- 模
- 型
- 、
- 可
- 批
- 量
- 采
- 样
- ，
- 并
- 首
- 次
- 引
- 入
- t
- e
- s
- t
- -
- t
- i
- m
- e
- R
- L
- ；
- 相
- 比
- S
- h
- i
- n
- k
- a
- E
- v
- o
- l
- v
- e
- （
- 同
- 样
- 开
- 源
- 但
- 仍
- 是
- 纯
- 推
- 理
- 、
- 6
- 模
- 型
- 集
- 成
- ）
- ，
- T
- h
- e
- t
- a
- E
- v
- o
- l
- v
- e
- 证
- 明
- 单
- 8
- B
- 模
- 型
- +
- R
- L
- 能
- 达
- 到
- 或
- 超
- 过
- 其
- c
- i
- r
- c
- l
- e
- p
- a
- c
- k
- i
- n
- g
- 上
- 界
- ，
- 且
- 发
- 现
- 的
- 程
- 序
- 求
- 解
- 只
- 需
- 约
- 3
- 秒
- （
- S
- h
- i
- n
- k
- a
- E
- v
- o
- l
- v
- e
- 约
- 7
- 5
- 秒
- ）
- 。
局限
- 评估设置差异影响跨论文对比：CirclePacking 用 OpenEvolve 1e-6 容差（与 AlphaEvolve 严格验证是不同任务），ThirdAutoCorrIneq 修正了评估器 typo 后结果不可直接比——作者在论文里明确标注，读者引用时要按同一验证器口径。
- RL 训练依赖手工调参：asymmetric clipping 系数、reward shaping 的 U/L/α/k 均为人为指定，论文未做敏感性分析。
- 验证实验规模有限：两个模型（1.5B/8B）、四个任务、每步 512 个新程序；大规模下数据库 10000 的重排/检索成本只声明 negligible，未做压力分析。
- 数学上界改善幅度小（接近已知最优），小改进的成立完全依赖评估器正确性；评估器出 bug 会直接污染结论（作者对 AlphaEvolve 评估器 typo 的修正本身也说明这一点）。
- 单 LLM 替换集成：论文声称简化可行，但没有解释前作中集成贡献多样性的机制为何在这里不需要。
- 3 seeds 的 RL 主实验方差仍存在（均值与 best 差距可见），且未报告推理侧（w/o RL）的多 seed 统计。
可复现性
代码开源（github.com/ypwang61/ThetaEvolve）；给出任务描述与验证器（附录 A）、meta-info 与 prompt 模板（附录 B.3）、超参数表（附录 B.2）、RL 配置与 3 个随机种子（§4.1）；CirclePacking-T 与严格版 CirclePacking 的评估口径分开说明。
ThetaEvolve 架构：批量进化 + test-time RL 的数据流
flowchart TD
A["程序数据库（population 10000，按分数与多样性排序）"] --> B["批量采样：B 个 parent"]
B --> C["prompt builder：meta-info + parent + 结果（可选迭代精炼）"]
C --> D["单 LLM：每 parent 生成 n 个响应（B×n 个 child）"]
D --> E["parser：提取 SEARCH/REPLACE diff 并应用"]
E --> F["early checks + lazy penalty 打分"]
F --> G["验证器评估：E(cp)，任务特定"]
G --> H["插入数据库（顺序执行 + 重排）"]
H --> A
F --> I{"RL 模式？"}
I -- 是 --> J["reward shaping R(s) = k·F(s)"]
J --> K["GRPO 更新模型权重（checkpoint）"]
K --> D
I -- 否 --> L["纯推理：循环到预算耗尽"]
L --> M["输出：数据库中最优程序"]组件详解
程序数据库：进化的记忆体，规模 10000，是 OpenEvolve（70）的 140 倍。新程序插入时按「客观分 + 多样性」双指标排序、满员删除；采样 parent 供变异。作者对规模做了消融——放大数据库直接改善最终性能，这是 test-time compute 的杠杆之一。
批量采样与单 LLM：每步独立采样 B 个 parent、各生成 n 个响应，一次产出 B×n 个候选，专门适配 vLLM/SGLang 的批推理引擎。单 LLM 替换 AlphaEvolve 的集成，作者断言简化可行但未解释集成多样性的机制为何不再需要。
Early checks 与 lazy penalty：在调用昂贵验证器之前，先用规则过滤——无 diff 块（-0.4）、改动无效（-0.3）、无解（-0.2）、解非法（-0.1）；任何与数据库已有程序等价的 child 额外受罚。这条防的是 RL 的「复读最优」作弊路径，是训练稳定性的关键。
验证器：任务特定的自动评估器，是系统里唯一真值来源。CirclePacking-T 用 1e-6 容差，严格版 CirclePacking 另算；ThirdAutoCorrIneq 修正了 AlphaEvolve 评估器的 typo。评估器正确性直接决定结论有效性。
RL 回路：GRPO + asymmetric clipping（low 0.2 / high 0.28）+ 可选 reward shaping，训练 3 个随机种子。权重更新让模型「学会进化」——RL checkpoint 做纯推理仍显著优于基座，且该能力迁移到未见任务。动态环境（数据库持续更新）被证明是必要的：静态环境 RL 差于纯推理。
输出：预算耗尽后取数据库最优程序；RL 模式下还交付一个学会了进化策略的模型 checkpoint。
与 AlphaEvolve 的三处简化对照：第一，集成 → 单模型，推理吞吐瓶颈从模型池转移到批引擎；第二，单响应 → B×n 批量，把 test-time compute 变成可线性扩展的资源；第三，数据库 70 → 10000，搜索空间记忆量级不同。这三处简化不是免费的——集成提供的多样性、小数据库隐含的强选择压力都被去掉，论文用「8B 单模型刷新上界」证明净收益为正，但没有逐项归因。
评估器口径的工程含义：CirclePacking-T（1e-6 容差）与 AlphaEvolve 严格版是不同优化问题；论文事后把半径整体收缩 1e-6 回到严格版并证明仍优于 AlphaEvolve。读架构图时记住：数据库、验证器、RL 奖励三者的口径必须一致，跨论文对比先对齐验证器。
AlphaEvolve 管线（上）与 ThetaEvolve 批量采样 + RL（下）对比
原文 caption：AlphaEvolve Dynamic Environment vs ThetaEvolve: batch sampling of B parent programs with n responses each, single LLM, large program database, and optional RL training loop. (caption 精简自原文)
架构差异一目了然：上面是 AlphaEvolve 的异步单响应循环（LLM 集成 + 小数据库），下面是 ThetaEvolve 的批量采样（B×n 响应）与 RL 反馈回路（reward → 权重更新 → 采样分布改变）。读图重点看数据库规模标注与 RL 那条回路——「test-time learning」就落在这条回路上。
进化出的函数解可视化：w/RL 与 w/o RL 结构差异
原文 caption：Visualization of the solutions. Although the scores of the w/ RL and w/o RL solutions are close, the solutions themselves (and the corresponding programs) may differ noticeably. (caption 精简自原文)
支撑「分数接近但结构不同」的判断：同一任务（Third/Second AutoCorrIneq）下，w/RL 与 w/o RL 构造的函数在形态上明显不同；8B 模型构造的函数比 1.5B 复杂得多。读法：对比每个任务的左右两栏曲线，别只看分数——它说明接近最优上界后，小分数差对应的是搜索空间的实质性差异。
RL 训练曲线：模型是否真的学会进化
原文 caption：Training curve of ProRL-1.5B-v2 on CirclePacking-T. 'Load CP@150' loads the step-150 checkpoint from the best w/ RL run and performs pure inference. (caption 精简自原文)
回答「RL 是否更新了有用的权重」：加载 RL 训练到第 150 步的 checkpoint 做纯推理（Load CP@150），曲线比 w/o RL 爬得更快、最终分更高——说明模型参数里真的沉淀了进化策略，而随机初始化的纯推理没有这份积累。读法：比较三条曲线在相同程序数处的纵坐标。
单个 8B 开源模型，刷新了需要前沿模型集成的数学上界（对话版）
小播：今天聊微软和 UW 的 ThetaEvolve。一句话先给结论：AlphaEvolve 当年刷新数学开放问题上界，靠的是 Gemini 2.0 这类前沿模型的集成；这篇用一个开源的 8B 模型，把同样的任务跑出了更优的结果，还给系统装上了 test-time 强化学习，让模型在测试时真的学会「怎么进化」。
老播：数字是这样的：26 圆 circle packing，半径和，ThetaEvolve 用 DeepSeek-R1 蒸馏版的 Qwen3 8B 拿到 2.63598308，AlphaEvolve 用 Gemini 集成是 2.63586276，ShinkaEvolve 用六个前沿模型集成是 2.63598283。8B 对集成，赢了。
小播：先记第一个记忆锚点：计算规模可以替代模型规模——数据库和推理吞吐堆起来，单模型也能刷新上界。
第一段：它要解决什么问题
老播：背景是 AlphaEvolve 那套进化管线：程序数据库存历史程序，prompt builder 采样父程序，LLM 生成代码修改的 diff，验证器评估，结果入库。AlphaEvolve 有两个问题：闭源、纯推理。纯推理的意思是进化出来的策略只活在程序里，模型权重一点没学到。
小播：所以 ThetaEvolve 的改动方向就两条：开源可复现，加上 test-time 学习。
老播：对，四条具体改动。第一，集成换单 LLM。第二，数据库规模从 OpenEvolve 的 70 放大到 10000。第三，单响应换批量采样——每步取 B 个父程序、每个生成 n 个响应，一次产出 B 乘 n 个候选，吃满批推理引擎。第四，加 lazy penalty，禁止模型重复输出数据库里已有的程序。
第二段：机制怎么转
老播：先讲 lazy penalty 为什么关键。RL 训练时，模型会发现数据库里已经有最优程序了，直接复读它就能拿高分。ThetaEvolve 用分段打分挡住：响应里没有 diff 块，扣 0.4；改动无效，扣 0.3；编译运行超时没有解，扣 0.2；解出来但验证器不过，扣 0.1；正常改动才用评估器打分。再加上一条：任何和数据库里已有程序等价的 child 一律罚。一句话，逼模型持续尝试真实改进，复读最优不会得分。
小播：第二个记忆锚点：lazy penalty 是 RL 稳定训练的关键闸门。
老播：第二个机制是 reward shaping。有些任务的分数区间很窄，比如第二自相关不等式在 0.90 到 0.96 之间，原始分区分度不够，RL 学不动。做法是把分数映射到 0 到 1，再做个幂次放大，靠近已知最优时给更陡的奖励梯度，缩放因子 k 取 3。目的是让接近上界时的微小改进也能产生稳定信号。
小播：那评估和数据库怎么配合？
老播：每个 child 过早期检查后进验证器，验证器是任务特定的：circle packing 用 1e-6 容差，严格版另算；第三自相关不等式那边，作者发现 AlphaEvolve 的评估器有 typo，修正后才用，所以跨论文数字不能直接比。通过的新程序插入数据库，按客观分和多样性排序，满员删除。
第三段：关键结果
老播：全部带 baseline 和 setup。CirclePacking：ThetaEvolve 的 8B 模型 2.63598308，前面说了。第一自相关不等式 FACI：1.503133，AlphaEvolve 是 1.503164，人类已知上界 1.5098。CirclePacking 训练对比（Table 2）：带 RL 的 best 2.6359857，同期纯推理 2.6359831，初始程序只有 0.9598。第三自相关不等式：从初始的 3.1586 压到带 RL 的 1.4930，纯推理 1.5084。Hadamard 矩阵 29 阶：从 0.1433 到带 RL 的 0.5764，纯推理 0.5733。
小播：还有一个细节，它发现的 circle packing 程序跑一次只要 3 秒？
老播：对，ShinkaEvolve 那个程序要 75 秒左右。搜索得慢，求解得快，这是两件事。
小播：那「模型真的学会进化了吗」怎么证明？
老播：他们把 RL 训练到第 150 步的 checkpoint 拿出来，做纯推理——结果比从头纯推理爬得更快、落点更高。说明进化策略真的被写进了参数，不是只在程序里。而且这份能力迁移：在 circle packing 上训练的 checkpoint，拿到另外三个没见过任务上，全面超过基座模型。对照组更重要：静态环境，就是数据库不更新、每次从初始程序起步的 RL，连纯推理都打不过——开放问题的最终解，无法从初始程序直接采样得到，必须靠中间步骤积累。
小播：第三个记忆锚点：动态环境是 RL 有效的必要条件。
第四段：局限
小播：冷水。哪里要小心？
老播：四条。第一，评估口径。circle packing 用的是 1e-6 容差版本，和 AlphaEvolve 严格验证是不同任务；第三自相关不等式修正了评估器 typo。跨论文比数字，先确认验证器是不是同一个。第二，RL 稳定性靠手工调参：裁剪系数、reward shaping 的上下界和幂次都是人为指定的，没有敏感性分析。第三，数学上界接近已知最优后，改进幅度很小，小数字的成立完全依赖评估器正确——作者修正前作 typo 这件事本身就说明评估器会出错。第四，单模型替换集成缺少机制解释：前作集成贡献的多样性，为什么这里不需要，论文没展开。
小播：还有个细节，推理侧的多 seed 统计好像没报告？
老播：对，RL 那边报了 3 个随机种子，纯推理侧没有同等报告，读表时把均值和 best 的差距当成方差提示。
收尾：一句话记住这篇
老播：收尾。ThetaEvolve 把 AlphaEvolve 变成开源、单模型、可扩展的 test-time 学习系统：10000 规模的数据库管住搜索空间，批量采样管住吞吐，lazy penalty 管住 RL 作弊，reward shaping 管住训练信号。最该记住的数字：单个 8B 模型把 circle packing 上界刷到 2.63598308，对照 AlphaEvolve 前沿集成的 2.63586276。最该记住的口径：跨论文比数字前，先确认验证器是不是同一个。
小播：这篇值得读，它是「测试时学习」从概念到工程落地的一次完整示范。我们下期见。