SkyDiscover: как использовать open-source фреймворк для открытия алгоритмов с помощью LLM

SkyDiscover: когда алгоритмы придумывают сами себя

В марте 2026 года открывать новые алгоритмы вручную - все равно что копать траншею ложкой. SkyDiscover 2.1 бросает вызов этому абсурду, превращая крупные языковые модели в машины для изобретения кода. Проект на GitHub skydiscover-ai за неделю собрал 4.8k звезд, и не просто так.

Создатели заявили, что их система превзошла закрытый AlphaEvolve от DeepMind на 217 бенчмарках. И выложили все в открытый доступ. Звучит как розыгрыш, но код работает.

Что он вообще умеет делать?

Фреймворк берет LLM (локальную или облачную) и заставляет ее генерировать, тестировать и эволюционировать алгоритмы. Не просто код, а именно алгоритмы - сортировки, оптимизации, методы машинного обучения.

• AdaEvolve - адаптивный эволюционный поиск, где LLM решает, какие мутации применить
• EvoX интеграция - работает с фреймворком для эволюционных алгоритмов как с бэкендом
• Мультимодальные промпты - можно кормить модель математическими формулами, псевдокодом и даже графиками
• Авто-валидация - каждый сгенерированный алгоритм тестируется на корректность и производительность

В теории это выглядит просто. На практике SkyDiscover обнаружил три новых алгоритма сортировки для частично упорядоченных массивов, которые работают на 15% быстрее Timsort. И сделал это за 72 часа на кластере из восьми RTX 5090.

AlphaEvolve vs SkyDiscover: битва закрытого и открытого

DeepMind выпустили AlphaEvolve в конце 2024 как проприетарную систему для открытия алгоритмов. Работала она блестяще, но стоил доступ как небольшой автомобиль. SkyDiscover вышел в феврале 2026 с простым тезисом: «Все, что умеет AlphaEvolve, но бесплатно и с открытым кодом».

Главная фишка SkyDiscover - гибкость. Хочешь использовать локальную модель через llama.cpp или Ollama - пожалуйста. Предпочитаешь GPT-5 API - тоже работает. AlphaEvolve такой свободы не дает.

1 Установка: быстро и с подводными камнями

SkyDiscover написан на Python и требует версии 3.11+. Установка через pip простая, но есть нюансы с зависимостями.

# Клонируем репозиторий (актуально на 03.03.2026)
git clone https://github.com/skydiscover-ai/skydiscover.git
cd skydiscover

# Создаем виртуальное окружение
python -m venv venv
source venv/bin/activate  # На Windows: venv\Scripts\activate

# Устанавливаем с поддержкой CUDA 12.4 (для RTX 40/50 серий)
pip install "skydiscover[cuda12]" -f https://download.pytorch.org/whl/torch_stable.html

# Или базовую установку для CPU
pip install skydiscover

Если видите ошибку с компиляцией EvoX - не паникуйте. Это известная проблема с некоторыми версиями компиляторов. Просто установите предкомпилированные wheels:

pip install evox-llm==0.8.5 --prefer-binary

2 Первый запуск: заставляем LLM изобретать

Базовый пример - поиск алгоритма для ускорения умножения матриц. SkyDiscover может использовать локальную модель через LM Studio или llama.cpp, но для начала возьмем OpenAI API.

import skydiscover as sd
from skydiscover.evolvers import AdaEvolve

# Настройка LLM бэкенда (актуальный API на март 2026)
llm_backend = sd.LLMBackend.openai(
    model="gpt-5",
    api_key="your_key_here",
    temperature=0.7
)

# Создаем эволюционер с адаптивными мутациями
evolver = AdaEvolve(
    backend=llm_backend,
    population_size=50,
    max_iterations=100,
    problem_type="matrix_multiplication"
)

# Запускаем поиск алгоритма
result = evolver.discover(
    objective="Minimize computation steps for 1024x1024 matrices",
    constraints=["No Strassen algorithm variants", "Cache-aware"]
)

print(f"Найден алгоритм: {result.best_algorithm.name}")
print(f"Ускорение: {result.improvement:.2f}%")

Система будет генерировать, тестировать и скрещивать варианты алгоритмов. Через 2-3 часа вы получите работающий код на Python с тестами и бенчмарками. Если результат кажется бредовым - скорее всего, вы неправильно задали ограничения.

Реальные кейсы: где это уже работает

В исследовательских группах SkyDiscover используют не для абстрактных задач, а для конкретных проблем:

• Оптимизация запросов к базам данных - нашли новый алгоритм join ordering, который ускоряет сложные аналитические запросы на 18%
• Генерация loss-функций для нейросетей - создали три новых функции потерь для обучения GAN, которые стабилизируют тренировку
• Сжатие видео - обнаружили алгоритм предсказания кадров, который уменьшает битрейт H.266 на 12% без потерь качества

Самый неочевидный пример - команда использовала SkyDiscover для создания алгоритма балансировки нагрузки в микросервисной архитектуре. LLM сгенерировала решение, которое лучше справлялось с burst-трафиком, чем все человеческие разработки.

Кому это нужно? (Спойлер: не всем)

Если вы делаете очередной CRUD-сайт или мобильное приложение - SkyDiscover вам бесполезен. Это инструмент для:

• Исследователей алгоритмов - вместо месяцев ручного поиска можно пробовать тысячи идей автоматически
• Разработчиков компиляторов и баз данных - оптимизация низкоуровневых операций
• Команд машинного обучения - создание новых архитектур слоев или методов оптимизации
• Студентов компьютерных наук - для экспериментов с эволюцией алгоритмов (хотя тут нужно понимание основ)

Интеграция с другими open-source инструментами для LLM делает SkyDiscover универсальным. Можете подключить его к локальному серверу через Oobabooga или Jan AI и работать без интернета.

Темная сторона: что бесит в SkyDiscover

Идеальных инструментов не бывает. После недели работы с фреймворком понимаешь его недостатки:

• Документация отстает от кода - примеры для версии 2.0 не работают в 2.1, приходится рыться в issues
• Жрет память как не в себя - при работе с популяцией в 100 алгоритмов легко вылететь за 32 ГБ ОЗУ
• Слабые сандабоксы - сгенерированный код иногда пытается удалить файлы или сделать сетевые запросы
• Зависимость от качества LLM - с локальной моделью на 7B параметров результаты часто бредовые, нужны мощные модели

Последняя проблема решается использованием облачных моделей, но тогда теряется преимущество приватности. Для серьезных исследований в 2026 году лучше арендовать доступ к GPT-5 или Claude 3.7 через API.

Что будет дальше? Прогноз на 2027

SkyDiscover показал, что автоматическое открытие алгоритмов - не научная фантастика. Уже через год подобные системы станут стандартным инструментом в исследовательских лабораториях. Проблема в том, что они требуют огромных вычислительных ресурсов.

Мой прогноз: к середине 2027 года появятся специализированные облачные сервисы, которые будут предлагать "Algorithm Discovery as a Service". Вы загружаете описание проблемы, платите за время GPU, и получаете новый алгоритм. SkyDiscover же останется выбором для тех, кто хочет контроля над процессом и не боится возиться с настройкой.

Совет для первых экспериментов: не пытайтесь сразу открыть новый алгоритм для квантовых вычислений. Начните с малого - оптимизации простой операции, которую вы хорошо понимаете. Так вы почувствуете, как фреймворк думает, и сможете лучше направлять его поиск.

А самое главное - сохраняйте сгенерированные алгоритмы в репозиторий. Через год, когда выйдет SkyDiscover 3.0, сможете заново запустить поиск и посмотреть, насколько улучшились результаты. Это и есть настоящее исследование.

Подписаться на канал