LEVI: descubrimiento algorítmico con IA entre 3 y 7 veces más barato

LEVI es un framework de optimización evolutiva basado en modelos de lenguaje que reduce drásticamente el coste del descubrimiento algorítmico automatizado para problemas de sistemas (ADRS, AI-Driven Research for Systems). Frente a propuestas como OpenEvolve o GEPA, que dependen de modelos frontier costosos en cada paso, LEVI invierte en el propio harness de búsqueda y aplica una asignación estratificada de modelos: un modelo pequeño y económico (como QWEN 30B) realiza la mayoría de mutaciones de refinamiento, mientras que los modelos grandes se reservan para cambios de paradigma, es decir, mutaciones que proponen enfoques algorítmicos estructuralmente distintos. Para evitar que el archivo de búsqueda colapse en una sola familia de soluciones, LEVI mantiene la diversidad de forma unificada sobre dos ejes: características estructurales del código (número de bucles, longitud) y comportamiento real (rendimiento en subconjuntos de datos), combinando lo que OpenEvolve y GEPA tratan por separado. En el benchmark principal, LEVI alcanza resultados de estado del arte siendo entre 3 y 7 veces más barato que las líneas base. Sus autores, del equipo ADRS de UC Berkeley, lo presentan como un paso hacia una optimización continua y a medida: redefinir el ADRS como una forma avanzada de CI/CD en la que el algoritmo se reajusta automáticamente a la carga, el hardware y los SLOs concretos de cada despliegue, en lugar de producir un único resultado puntual.