ShinkaEvolve의 개요
ShinkaEvolve는 진화로 코드를 개선하는 Sakana AI의 오픈소스 프레임워크입니다. 시작 프로그램과 그것을 채점하는 평가기를 주면, LLM 앙상블이 수정을 제안하고, 평가기가 후보마다 채점하며, 가장 좋은 것이 세대와 별도의 프로그램 섬들을 거쳐 살아남습니다. 밴딧이 변이마다 어느 모델을 부를지 고르고, 새로움 필터가 거의 중복인 후보를 평가하는 데 비용을 쓰지 않게 합니다. 오픈소스가 아닌 Google DeepMind의 AlphaEvolve와 Sakana 자체의 AI Scientist, Darwin Gödel Machine에서 영감을 받았습니다.
Sakana의 출시 결과에는 샘플 150개로 찾은 원 26개 채우기의 새 최고 기록, 75세대 만에 진화한 AIME 에이전트 스캐폴드, ALE-Bench 프로그래밍 작업에서 평균 2.3% 향상, 30세대 뒤 DeepSeek의 것을 넘어선 전문가 혼합 부하 분산 손실이 있습니다. 논문은 ICLR 2026에 채택됐고, 프레임워크는 ICFP 2025 프로그래밍 대회 우승팀을 지원했습니다.
코드는 Apache 2.0이며 PyPI에 shinka-evolve로 있습니다. 최신 릴리스는 2026년 6월 2일의 v0.0.7이고 마지막 커밋은 2026년 10월 5일입니다. GitHub 스타는 약 1,480개입니다.
ShinkaEvolve, 쓸 만한 가치가 있습니까?
ShinkaEvolve는 LLM 기반 프로그램 탐색에서 가장 강력한 오픈소스 선택지이며, 내세우는 점은 샘플 효율입니다. 예전의 진화적 접근은 문제마다 LLM 호출이 수천 번 필요한 경우가 많았습니다. Sakana의 대표 결과는 샘플 150개로 원 26개 채우기의 새 최고 기록을 낸 것으로, 거의 중복인 후보의 기각 샘플링, 개선되고 있는 모델 쪽으로 호출을 옮기는 밴딧, 좋은 해법의 보관소를 공유하는 섬들 덕분입니다. Sakana 자체 실험이지만, ICLR 2026 채택과 ICFP 2025 대회 우승은 대부분의 프레임워크 주장보다 더 많은 외부 뒷받침을 줍니다.
좁지만 가치 있는 형태의 문제에 맞습니다. 자동 검증기와 올려야 할 숫자가 있는 프로그램입니다. 제공되는 예제는 원 채우기, 2048 정책, Julia, Fortran, Wolfram 솔버, 그리고 전력, 성능, 면적으로 채점하는 Verilog 설계를 다룹니다. 범용 코딩 에이전트가 아니며, 믿을 수 있는 평가기 없이는 쓸모 있는 일을 하지 않습니다. 약한 평가기는 공략당합니다.
프로젝트는 2026년 빠르게 성숙했습니다. 3월에 통합 ShinkaEvolveRunner(예전 러너 클래스를 대체해 2025년 코드는 수정 필요), PyPI 패키징, 4월에 문서 사이트, Claude Code와 Codex용 에이전트 스킬, 그리고 5월에 API 청구 대신 Claude나 ChatGPT 구독으로 변이를 보내는 Headless CLI 지원이 나왔습니다. 버전은 여전히 0.0.x이므로 호환성 깨짐이 더 있다고 예상하십시오.
안전은 사용자에게 맡겨집니다. 모든 후보는 평가기가 실행하는 LLM 작성 코드이며, 기본적으로 호스트나 Slurm 클러스터에서 직접 돌고, 시작 가이드는 샌드박스에 대해 아무 말도 하지 않습니다. 클러스터에서는 Slurm Docker 작업이 격리를 주고, 워크스테이션에서는 컨테이너 안에서 돌리십시오. 기본 임베딩 모델은 OpenAI의 text-embedding-3-small이므로, 로컬 엔드포인트를 지정하지 않으면 코드 임베딩이 기기를 떠납니다.
제 역할을 하는 곳
스케줄링 휴리스틱을 가진 운영 연구 엔지니어
고정된 벤치마크 세트에서 휴리스틱 점수 높이기
벤치마크를 evaluate.py로 감싸고, max_api_costs로 지출 상한을 정하고, 수십 세대를 돌립니다. Sakana의 ALE-Bench 실행은 강력한 기준선 대비 평균 2.3% 향상을 냈습니다.
Verilog 블록을 최적화하는 하드웨어팀
고정된 명세 아래 전력과 면적을 낮추는 RTL 찾기
iverilog, yosys, OpenSTA가 필요한 RTLLM 예제에서 시작해 후보를 전력, 성능, 면적으로 채점하게 합니다. 생성된 코드를 가두려면 평가를 Slurm Docker 작업에서 돌리십시오.
Claude 구독은 있고 API 예산은 없는 ML 연구자
토큰당 청구 없이 학습 손실 변형 진화시키기
Sakana의 sine_approx_headless 예제처럼 headless/claude 모델 문자열을 써서 변이가 구독으로 돌게 합니다. Sakana의 MoE 손실 결과는 30세대 뒤에 나왔습니다.
도입 전 확인할 점
- 설정
- pip install shinka-evolve(Python 3.10 이상, 3.11 권장) 후 .env에 제공사 키를 넣고 shinka_launch variant=circle_packing_example을 실행합니다. 원 채우기 작업이 문서화된 첫 실행입니다.
- 연동
- OpenAI, Anthropic, Gemini, OpenRouter 모델, 로컬 Ollama 서버 같은 로컬 OpenAI 호환 엔드포인트, Claude와 Codex 구독용 Headless CLI, Slurm(Conda나 Docker), WebUI, Weights & Biases, Claude Code와 Codex용 에이전트 스킬.
- 데이터와 개인정보
- 코드와 프롬프트는 설정한 LLM 제공사로, 임베딩은 기본적으로 OpenAI로 갑니다. 실행은 로컬 SQLite 데이터베이스에 저장됩니다. W&B 기록을 켜면 코드가 아니라 허용 목록에 있는 지표만 올립니다. Apache 2.0은 상업적 사용에 제한을 두지 않습니다.
- 대규모 사용 시 비용
- 비용은 LLM 호출과 평가기 연산이며, Sakana는 달러 수치를 공개하지 않습니다. Sakana가 5배에서 10배 빠르다고 말하는 비동기 러너는 처리량과 지출을 함께 올리므로, 긴 실행에는 max_api_costs를 설정하십시오.
- 제한
- 자동 평가기가 있는 곳에서만 쓸모 있음. 로컬 실행에서 평가 코드용 샌드박스 없음. 버전 0.0.7, 열린 이슈와 풀 리퀘스트 14개, 2026년 동안 API 변경.
좋은 점
- 샘플 효율: Sakana에 따르면 샘플 150개로 원 26개 채우기 새 최고 기록
- 밴딧 선택과 비용 인식 가중치를 갖춘 모델 앙상블
- 로컬이나 Slurm에서 실행, WebUI와 W&B 기록
- max_api_costs로 USD 기준 엄격한 예산 상한
- Apache 2.0, PyPI 제공, ICLR 2026 논문
아쉬운 점
- 내장 샌드박스 없이 LLM 작성 코드를 실행
- 쓸모 있으려면 믿을 만한 자동 평가기 필요
- 1.0 이전, 2026년 3월 러너 리팩터링이 예전 코드를 깨뜨림
- 따로 설정하지 않으면 임베딩이 OpenAI로 감
- 오프라인으로 설정하지 않으면 시작 시 models.dev에서 실시간 모델 가격을 가져옴
추천 대상
휴리스틱, 커널, 솔버처럼 점수가 매겨지는 프로그램을 가졌으며 정해진 예산 안에서 LLM이 더 나은 버전을 찾게 하려는 연구자와 성능 엔지니어.
ShinkaEvolve 대안
ShinkaEvolve: 자주 묻는 질문
- ShinkaEvolve, 쓸 만한 가치가 있습니까?
- 올려야 할 점수가 있는 프로그램을 가진 사람이라면 AlphaEvolve의 오픈 대안으로 여기서 시작하면 됩니다. 단, 그것이 쓰는 코드를 샌드박스에 넣어야 합니다. 평점은 5점 만점에 4.1점입니다.
- ShinkaEvolve의 가격은 얼마입니까?
- Apache 2.0으로 무료입니다. LLM 호출(또는 Headless를 통한 Claude나 ChatGPT 구독)과 평가기를 돌리는 연산 비용을 냅니다.
- ShinkaEvolve의 단점은 무엇입니까?
- 내장 샌드박스 없이 LLM 작성 코드를 실행; 쓸모 있으려면 믿을 만한 자동 평가기 필요; 1.0 이전, 2026년 3월 러너 리팩터링이 예전 코드를 깨뜨림; 따로 설정하지 않으면 임베딩이 OpenAI로 감; 오프라인으로 설정하지 않으면 시작 시 models.dev에서 실시간 모델 가격을 가져옴.
- ShinkaEvolve에 적합한 사람은 누구입니까?
- 휴리스틱, 커널, 솔버처럼 점수가 매겨지는 프로그램을 가졌으며 정해진 예산 안에서 LLM이 더 나은 버전을 찾게 하려는 연구자와 성능 엔지니어.
- 팀이나 프로덕션 환경에서 ShinkaEvolve의 비용은 얼마입니까?
- 비용은 LLM 호출과 평가기 연산이며, Sakana는 달러 수치를 공개하지 않습니다. Sakana가 5배에서 10배 빠르다고 말하는 비동기 러너는 처리량과 지출을 함께 올리므로, 긴 실행에는 max_api_costs를 설정하십시오.
- ShinkaEvolve에 회사 데이터를 맡겨도 안전합니까?
- 코드와 프롬프트는 설정한 LLM 제공사로, 임베딩은 기본적으로 OpenAI로 갑니다. 실행은 로컬 SQLite 데이터베이스에 저장됩니다. W&B 기록을 켜면 코드가 아니라 허용 목록에 있는 지표만 올립니다. Apache 2.0은 상업적 사용에 제한을 두지 않습니다.
- ShinkaEvolve의 가장 좋은 대안은 무엇입니까?
- 저희가 리뷰한 것 중 가장 가까운 대안은 The AI Scientist (v1, v2 and v3), TreeQuest, OpenHands 및 mini-swe-agent입니다.
답변 확인일: 2026년 10월 26일.
ShinkaEvolve 개발사입니까? 이 평점을 사이트에 표시하십시오
