существующими знаниями, становясь более обобщенными, и каждая единица имеет вес, основанный на ее долгосрочном влиянии на будущие задачи. Фреймворк тестировался на задачах математического рассуждения, эффективности кода и принятия решений, стабильно превосходя лучшие подходы на основе извлечения из памяти при более эффективном использовании токенов. EvoLib также демонстрирует устойчивую производительность при различных порядках задач, что указывает на практическую применимость в реальных сценариях, где задачи поступают в произвольном порядке. Система достигает более высоких приростов производительности при увеличении вычислительных ресурсов во время инференса по сравнению с изолированным масштабированием вычислений и другими методами на основе памяти. Код и эксперименты доступны на GitHub.