← 返回项目索引
无梯度优化框架
Nevergrad
Meta Research 的 Python 无梯度优化平台，实现 100+ 种优化器的统一接口，含差分进化/CMA-ES/粒子群/贝叶斯优化等，通过 NGOpt 自动选择算法。
1. 它在图谱里的角色
为什么把它列入复查队列
Nevergrad 属于 无梯度优化框架，在 Self Evolve 图谱中是 进化/搜索循环 → 评估器/打分器 这一类机制的来源可追踪样本。 读者应优先检查它把自进化问题落到哪些可检查的工程环节：生成、反馈、评估、记忆、搜索、编排或训练数据闭环。
2. 进化机制
它如何产生改进信号
当前归档的机制链是：进化/搜索循环 → 评估器/打分器。阅读时应优先确认三件事：改进对象是什么，反馈信号来自哪里，评估是否能阻止退化。
进化/搜索循环评估器/打分器无梯度优化NGOpt
3. 教学用法
可以如何用于教学或复查
可以把它当作 无梯度优化框架 的案例卡来教学，但教学重点应放在“目标任务 -> 反馈来源 -> 改动策略 -> 评估指标 -> 失败模式”五步，而不是把它当作质量背书。
4. 工程表面
技术栈与可运行性线索
主要语言是 Python，记录的技术栈包括：Python、NumPy、SciPy。许可证记录为 MIT，最近活跃日期为 2025-01-01。
5. 证据链
从原始材料到分析
站内数据保留了 GitHub 源、局部镜像路径和公开报告路径。这里的证据链优先说明“材料从哪里来、我们如何归类、哪里还没有复现”，而不是替原项目做最终质量裁决。
- GitHub: https://github.com/facebookresearch/nevergrad
- Local mirror:
repos/facebookresearch__nevergrad - Source report: site/public/reports/projects/28-nevergrad-derivative-free.md
- Published report path: /reports/projects/28-nevergrad-derivative-free/
6. 读者问题
继续深挖时问什么
- 这个项目的评估信号能否稳定复现，还是只在 demo 中成立？
- 它改进的是 prompt、工具、记忆、代码、策略、数据，还是完整 agent 组织？
- 失败样本会不会被保存，并在下一轮产生行为改变？
- 它和同类项目相比，多出来且可复查的机制是什么？