El informe de progreso no debería convertirse en la parte costosa de una generación. El cambio del 16 de octubre de 2026 sustituye el máximo y mínimo Python del tensor de aptitud por reducciones tensoriales. Se centra en el costo del informe estándar conservando los extremos previstos.

Ilustración conceptual: calcular extremos colectivamente en lugar de tratar cada candidato por separado.
Mantener estadísticas como operaciones tensoriales
Los máximos y mínimos Python sobre el tensor se sustituyen por torch.max y torch.min. Recorrer grandes tensores de dispositivo desde Python añade trabajo en la frontera del lenguaje que una reducción puede resolver dentro del marco numérico. Importa especialmente cuando evaluar la aptitud cuesta poco.
En regresión simbólica, las expresiones pueden evaluarse en paralelo mientras mostrar extremos resulta caro. La corrección elimina ese desajuste sin cambiar la estadística. La PR comunica una gran mejora con un millón de individuos, pero no un protocolo completo; conviene perfilar la generación entera, incluidos los informes.
Compara el tiempo completo de generación con y sin informes, manteniendo entradas, semilla y población. Verifica los extremos frente al tensor de aptitud antes de aumentar la carga. La presentación de EvoGP explica los árboles tensorizados; la actualización AMD ROCm independiente cubre hardware y compilación. Ni una reducción más rápida ni un backend compatible determinan por sí solos el rendimiento de toda la búsqueda.