ShinkaEvolveとは？
ShinkaEvolveは、進化によってコードを改善するためのSakana AIによるオープンソースフレームワークです。初期プログラムとそれを採点するエバリュエーターを用意す ると、LLMのアンサンブルが編集案を提示し、エバリュエーターが各候補をスコア付けして、最良の候補が世代や個別のプログラムアイランドを越えて生き残ります。バンディットアルゴリズムが変異ごとに呼び出すモデルを選択し、新規性フィルタリングによって重複に近いコードの評価コストを回避します。この設計は、オープンソースではないGoogle DeepMindのAlphaEvolveや、Sakana自身のAI ScientistおよびDarwin Gödel Machineから着想を得ています。
Sakanaによる公開時の成果としては、150サンプルで見つかった新たな最良の26個の円パッキング問題、75世代で進化させたAIME向けエージェントのスキャフォールド、ALE-Benchのプログラミングタスクにおける平均2.3%の改善、そして30世代でDeepSeekのものを上回ったMixture-of-Expertsの負荷分散損失関数などが挙げられます。関連論文はICLR 2026に採択され、本フレームワークはICFP 2025 Programming Contestで優勝したチームも支援しました。
コードはApache 2.0ライセンスで、shinka-evolveとしてPyPIで提供されています。最新リリースは2026年6月2日付のv0.0.7で、最後のコミットは2026年10月5日です。GitHubのスター数は約1,480件です。
ShinkaEvolveは使う価値があるか？
ShinkaEvolveは、LLM駆動のプログラム探索において最も強力なオープンソースの選択肢であり、その最大の利点はサンプル効率にあります。以前の進化的アプローチでは問題ごとに数千回のLLM呼び出しが必要になることがよくありました。Sakanaの代表的な成果は、重複に近い候補のリジェクションサンプリング、改善に貢献しているモデルへと呼び出しをシフトするバンディット、優れたソリューションのアーカイブを共有するアイランド構造により、150サンプルで達成された26個の円パッキングの新たな最良解です。これらはSakana独自の実証実験ですが、ICLR 2026での採択やICFP 2025コンテストでの優勝は、一般的なフレームワークの主張よりも強い外部からの裏付けとなっています。
このツールは、自動検証機構と改善すべき数値指標が存在するプログラムという、限定されつつも価値の高い課題領域に適しています。同梱されているサンプルには、円パッキング、2048のポリシー、Julia、Fortran、Wolframのソルバー、消費電力・性能・面積でスコア付けされるVerilog設計が含まれます。一般的なコーディングエージェントではなく、信頼できるエバリュエーターがなければ有用な結果は得られません。脆弱なエバリュエーターは形骸化されます。
プロジェクトは2026年に入り急速に成熟しました。3月の統合ShinkaEvolveRunnerの導入（従来のランナークラスが置き換えられたため、2025年時点のコードは修正が必要です）、PyPIパッケージ化、4月のドキュメントサイト開設、Claude CodeおよびCodex向けのエージェントスキル提供、そして5月にはAPI課金の代わりにClaudeやChatGPTのサブスクリプション経由で変異処理を行うHeadless CLIのサポートが追加されました。バージョンは依然として0.0.xにとどまっているため、今後も互換性を損なう変更が予想されます。
安全性への配慮は利用者に委ねられています。すべての候補コードはLLMが記述したものであり、エバリュエーターがデフォルトではホスト上またはSlurmクラスタ上で直接実行します。入門ガイドにはサンドボックス化に関する記載はありません。Slurm Dockerジョブを用いればクラスタ上で隔離が可能ですが、ワークステーションではコンテナ内で実行してください。デフォルトの埋め込みモデルはOpenAIのtext-embedding-3-smallであるため、ローカルのエンドポイントを指定しない限り、コードの埋め込みデータはマシン外部へ送信されます。
真価を発揮する場面
スケジューリングヒューリスティックを扱うオペレーションズリサーチエンジニア
固定のベンチマークセットにおいてヒューリスティックのスコアを改善すること
ベンチマークをevaluate.pyとしてラップし、支出を制限するためにmax_api_costsを設定して、数十世代を実行します。SakanaのALE-Benchでの実行では、強力なベースラインに対して平均2.3%の改善が記録されました。
Verilogブロックの最適化を行うハードウェアチーム
固定の仕様条件下で消費電力と面積を削減するRTLを探索すること
iverilog、yosys、OpenSTAを必要とするRTLLMのサンプルから着手し、電力、性能、面積で候補を評価させます。生成されたコードを封じ込めるため、評価はSlurm Dockerジョブ内で実行します。
Claudeサブスクリプションを 所有し、API予算を持たないML研究者
トークンごとの課金なしで学習損失関数のバリアントを進化させること
Sakanaのsine_approx_headlessのサンプルの通り、変異処理がサブスクリプション経由で実行されるようheadless/claudeモデル文字列を使用します。SakanaによるMoE損失関数の成果は30世代後に得られました。
導入前に確認すること
- 導入
- pip install shinka-evolve（Python 3.10以降、3.11推奨）を実行し、プロバイダーのキーを.envに追加した上で、shinka_launch variant=circle_packing_exampleを実行します。円パッキングタスクがドキュメント上の最初の実行例です。
- 連携
- OpenAI、Anthropic、Gemini、OpenRouterの各モデル、ローカルのOllamaサーバーなどのOpenAI互換ローカルエンドポイント、ClaudeおよびCodexサブスクリプション向けのHeadless CLI、Slurm（CondaまたはDocker）、WebUI、Weights & Biases、Claude CodeおよびCodex向けのエージェントスキルに対応しています。
- データとプライバシー
- コードとプロンプトは設定したLLMプロバイダーに送信され、埋め込み処理のデフォルト設定時はOpenAIにも送信されます。実行結果はローカルのSQLiteデータベースに保存されます。W&Bログを有効にした場合、コードそのものではなく許可リストに登録されたメトリクス群がアップロードされます。Apache 2.0ライセンスにより商用利用に制限はありません。
- 大規模利用時のコスト
- コストはLLM呼び出し費用とエバリュエーターの計算リソース費用の合計です。Sakanaは金額の数値を公開していません。Sakanaが5倍から10倍高速であるとする非同期ランナーは、スループットと支出を同時に増加させるため、長時間の実行にはmax_api_costsを設定してください。
- 制限
- 自動エバリュエーターが存在する場合にのみ有用です。ローカル実行時に評価対象コード向けのサンドボックスは用意されていません。バージョンは0.0.7であり、14件のオープンなIssueとプルリクエストが存在し、2026年を通じてAPIの変更が行われています。
良い点
- Sakanaによれば、150サンプルで26個の円パッキングの新たな最良解を導き出す高いサンプル効率
- バンディット選択とコストに応じた重み付けを備えたモデルアンサンブル
- ローカルまたはSlurm上で実行可能で、WebUIとW&Bログに対応
- max_api_costsによる米ドル単位の厳格な予算上限設定
- Apache 2.0、PyPI登録、ICLR 2026採択論文
気になる点
- 内蔵のサンドボックスなしでLLMが記述したコードを実行する点
- 有用性を発揮するために信頼できる自動エバリュエーターが必要な点
- 1.0未満のバージョンであり、2026年3月のランナーのリファクタリングで旧コードに互換性の問題が生じた点
- 別個に設定しない限り埋め込み処理がデフォルトでOpenAIに依存する点
- オフライン設定を行わない限り、起動時にmodels.devから最新のモデル価格を取得する点
おすすめの人
ヒ ューリスティック、カーネル、ソルバーなど、スコア測定可能なプログラムを保有し、固定予算内でLLMにより優れたバージョンを探索させたい研究者やパフォーマンスエンジニアに最適です。
ShinkaEvolveの代替
ShinkaEvolve：よくある質問
- ShinkaEvolveは使う価値があるか？
- プログラムと向上させたいスコアをすでに持っている方にとって、生成されるコードをサンドボックス環境で動かす前提であれば、着手すべきオープンなAlphaEvolveの代替手段となります。 評価は5点満点中4.1点です。
- ShinkaEvolveの料金は？
- Apache 2.0の下で無料です。LLMの呼び出しコスト（またはHeadless経由のClaudeやChatGPTのサブスクリプション）と、エバリュエーターを実行する計算リソースの費用が発生します。
- ShinkaEvolveの欠点は？
- 内蔵のサンドボックスなしでLLMが記述したコードを実行する点; 有用性を発揮するために信頼できる自動エバリュエーターが必要な点; 1.0未満のバージョンであり、2026年3月のランナーのリファクタリングで旧コードに互換性の問題が生じた点; 別個に設定しない限り埋め込み処理がデフォルトでOpenAIに依存する点; オフライン設定を行わない限り、起動時にmodels.devから最新のモデル価格を取得する点.
- ShinkaEvolveは誰に向いているか？
- ヒューリスティック、カーネル、ソルバーなど、スコア測定可能なプログラムを保有し、固定予算内でLLMにより優れたバージョンを探索させたい研究者やパフォーマンスエンジニアに最適です。
- チームや本番環境でShinkaEvolveを使うと費用はいくらか？
- コストはLLM呼び出し費用とエバリュエーターの計算リソース費用の合計です。Sakanaは金額の数値を公開していません。Sakanaが5倍から10倍高速であるとする非同期ランナーは、スループットと支出を同時に増加させるため、長時間の実行にはmax_api_costsを設定してください。
- ShinkaEvolveは企業データを扱っても安全か？
- コードとプロンプトは設定したLLMプロバイダーに送信され、埋め込み処理のデフォルト設定時はOpenAIにも送信されます。実行結果はローカルのSQLiteデータベースに保存されます。W&Bログを有効にした場合、コードそのものではなく許可リストに登録されたメトリクス群がアップロードされます。Apache 2.0ライセンスにより商用利用に制限はありません。
- ShinkaEvolveの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はThe AI Scientist (v1, v2 and v3), TreeQuest, OpenHands 、 mini-swe-agentです。
回答確認日：2026年10月26日