再下一城!至优进化刷新 QPLIB 2096纪录

今年6月,团队用AI跑了7天7夜的STC算法登顶了全球 LTCB 榜单的 BWT类别榜首,在高度成熟的赛道上跑出了优于人类设计最优方案的性能,迄今为止仍位列榜首。
紧接着在核聚变模拟场景,我们基于AI自进化框架对成熟求解器完成迭代优化,经该领域专家确认,实现 8% 的整体效率提升,验证了这套范式在复杂科学计算场景的适配能力。
短短数月,这套AI自进化算法优化的方法论持续向更多领域延伸,在基础运筹优化领域,已获得 QPLIB 2096任务官方维护者的确认,正式收录进基准库更新日志,成为该问题当前的全球最优纪录。
团队还在图像识别、工业声纹、学术工具等赛道接连落地,全部经过外部校验或真实场景验证。
一个已经过学界与工业界多年打磨、趋近成熟的算法领域,还有新的改进空间吗,如何改进呢?
这是很多工程与科研领域的共同疑问——当传统人工优化逼近天花板,当专家经验已经反复迭代,增量突破变得越来越难,研发成本也越来越高。
近半年来,我们使用AI进行自进化算法优化取得了一系列不同领域的算法成果。
7 项已验证成果清单
01 STC 文本压缩算法
登顶全球 LTCB 榜单的 BWT 类别榜首,自 6 月发布以来持续保持全球第一
02 QPLIB 2096 运筹优化任务
登顶 QPLIB 2096 号经典优化任务,达成理论最优解,获国际官方基准库收录确认
03 核聚变模拟求解器优化
在成熟开源求解器基础上实现 8% 整体计算效率提升,经核聚变领域专家验证
04 车辆登记证图像识别
弱 AI 本地部署场景识别率达 86%-92%,真实业务实测准确率 95%,效果优于市面成熟商用方案
05 工业设备声纹故障预测
零行业经验精准命中工业设备故障日期,预测结果与真实故障发生时间完全吻合
06 CAD 几何约束求解器
短周期完成几何约束求解器 Demo 开发,验证自进化方法适配工程几何计算场景,相关成果已发表论文
07 AutoTail-BSFGM 学术文本分类方法
解决中文学术分类 “大类易识别、小类易忽略” 的行业通病,优化不增加推理成本,相关方法已发表论文
一、运筹优化再下一城:QPLIB 2096 任务登顶,初步证明理论最优
在基础运筹优化领域,自进化算法路线再次取得权威验证。

- 最新目标值
- 7025720
- QPLIB 2096 任务当前优化结果
- 较参考值提升
- +38944
- 优化幅度约 0.55%
- 分区表示
- 25项
- 配套精确最优性证明体系
QPLIB 是二次规划领域的国际权威基准库,2096 号任务为业内公认的经典优化测试题。
我们提交的优化方案将目标值推至 7025720,较此前官方纪录提升 38944,优化幅度约 0.55%。
QPLIB 2096 号任务成果发布后,我们得知有美国人已于 8 月 7 日发布了相同的最优值结果。
经核实,双方所得最优数值一致,但采用的技术方法完全不同;此外,我们配套完成了该结果的理论最优性证明—— 基于 25 项分区表示、可行块族完全枚举与精确整数对偶不等式,从理论上确认该结果为该问题的极限值,而美方仅发布结果,未做最优性论证。
目前该方案已获得 QPLIB 官方维护者 Stefan Vigerske 的确认,正式收录进基准库更新日志,成为该问题当前的最优纪录。
二、产业场景验证:零行业经验,跑出落地级效果
自进化算法最大的价值,是打破了 “先懂行业机理,才能做行业算法” 的传统门槛。
两个真实产业场景的落地,充分验证了这套方法论的跨域能力。
工业声纹:零经验精准预测设备故障
团队此前从未开展过声音识别方向的研究。
拿到一批工业设备的运行声纹数据时,我们对设备工况、故障机理、声学特征完全陌生。
- AI 预测故障窗口
- 3月19日—20日
- 三种算法路径并行分析
- 真实故障日期
- 3月20日
- 预测窗口与真实事件完全吻合
我们将原始数据输入自进化体系,用三种不同算法路径并行分析预测,最终AI 判定,设备将在 3 月 19 日至 3 月 20 日发生重大故障。
事后对照真实工况,该设备的故障恰好发生在 3 月 20 日,预测时间窗口与真实事件完全吻合。
目前该方法已完成初步测试,正在进一步拓展至盾构机的声纹识别与故障预测场景。
图像识别:强弱 AI 协同,本地弱 AI 跑出行业级精度
- 优化前识别率
- 60%–70%
- 受本地轻量模型与基础 OCR 限制
- 复杂脏数据场景
- 86%–92%
- 一个半月自进化迭代后的识别率
- 真实业务准确率
- 95%
- 试运行阶段的实际场景结果
针对车辆登记证识别项目,受本地硬件限制,推理端只能部署轻量弱模型,搭配基础 OCR 的原生识别率仅为 60%-70%,难以满足业务要求。
我们摸索出一套强弱 AI 协同的自进化模式:强 AI 不承担线上推理,而是作为离线优化智能体,持续分析错误样本、重构识别链路,驱动本地弱识别系统自主迭代优化。
仅用一个半月的迭代优化,含脏数据的复杂场景下,识别率提升至86%-92%;进入真实业务试运行后,实际场景准确率达到 95%,效果优于市面深耕多年的成熟识别方案。
更重要的是,这套优化思路并不局限于证件识别,各类图像识别任务都可以复用这套模式快速落地。
三、学术工具创新:两个领域论文发表,优化不增推理成本
在应用落地之外,自进化模式也在学术方法层面持续产出成果,两项技术创新均已发表相关论文。
CAD 几何约束求解器
以极短的研发周期,完成了 CAD 领域几何约束求解器的 Demo 开发,验证了自进化方法在工程几何计算场景的适配性,相关成果已形成学术论文发表。
AutoTail-BSFGM 学术文本分类方法
针对中文学术文本分类中 “大类易识别、小类易忽略” 的普遍偏差问题,我们提出 AutoTail-BSFGM 方法。
该方法在训练阶段引入尾部类别补偿、平衡 Softmax(Balanced Softmax)与快速梯度对抗训练(Fast Gradient Method, FGM),在不增加模型上线推理成本的前提下,有效改善了小类识别效果,兼顾了精度与落地效率。
四、成果背后:一套可跨领域复用的算法优化方法论
从压缩算法到运筹优化,从工业场景到学术工具,多领域成果的密集落地,背后不是零散的项目攻关,而是一套已经跑通的、可复制的自进化算法研究模式。
STEP 01
思考底层哲学与方法论,验证 AI 实现路径。
STEP 02
确认创新价值后,进入具体算法领域测试。
STEP 03
完成外部校验,再沉淀为通用方法与产品。
我们沿着这条清晰的研究路径,先思考底层哲学与方法论,再验证该思路的 AI 实现;确认有创新价值后,切入具体算法领域测试;经过外部校验确认有效后,再沉淀总结为通用方法与产品。
走出了 “先理解机理、再设计算法、再实验验证” 的传统路径,开辟了 “模型暂不可解释,但结果严格可验证”的全新创新路线:
STEP 01
不需要先成为行业专家,AI 直接从原始数据中挖掘高维隐性模式,跨域创新门槛大幅降低;
STEP 02
能捕捉人类机理模型覆盖不到的弱信号,发现未知的、耦合性的故障特征与优化空间;
STEP 03
验证标准转向真实结果,只要输出能稳定命中真实事件、通过独立样本校验,就具备工程落地价值,机理研究可以后置反推。
截至目前,除了已经公开的几项成果,我们还有近五十项未公开的算法优化内容正在验证迭代。
这也进一步证明,自进化 AI 算法优化不是偶然的单点突破,而是一套可复制、可批量产出的通用方法论。
写在最后
从成熟算法领域的增量突破,到跨行业场景的快速落地,自进化 AI 正在重新定义算法研发的效率边界。
接下来,我们会继续推进更多外部验证案例,沉淀通用方法,落地标准化服务。
业务联系:




