optimize_anything：用于优化任何文本参数的通用 API

单一的基于 LLM 的优化系统能否在根本不同的领域中匹配专用工具？我们展示了当优化问题被表述为改进由评分函数评估的文本工件时，一个支持单任务搜索、带跨问题迁移的多任务搜索以及对未见输入泛化的单一 AI 优化系统，在六个迥异的任务中实现了最先进的结果。我们的系统发现的智能体架构将 Gemini Flash 的 ARC-AGI 准确率提升了近三倍（32.5% 提高到 89.5%），找到了将云成本削减 40% 的调度算法，生成的 CUDA 内核中有 87% 达到或超过了 PyTorch 的性能，并超越了 AlphaEvolve 报告的圆堆积（circle packing）方案（n=26）。在三个领域的消融实验揭示，可操作的侧向信息比仅评分反馈能产生更快的收敛和显著更高的最终得分；此外，在同等单问题预算下，多任务搜索通过跨任务迁移优于独立优化，且收益随相关任务数量的增加而扩大。我们首次共同证明，基于 LLM 搜索的文本优化是一种通用的问题解决范式，能将传统上需要领域特定算法的任务统一在单个框架下。作为 GEPA 项目的一部分，我们开源了支持多个后端的 optimize_anything，地址为 https://github.com/gepa-ai/gepa。