O relatório de progresso não deveria ser a parte cara de uma geração. A mudança de 16 de outubro de 2026 troca máximo e mínimo Python sobre o tensor de aptidão por reduções tensoriais. Ela aborda o custo dos relatórios padrão preservando os extremos pretendidos.

Ilustração conceitual: calcular os extremos coletivamente em vez de tratar cada candidato isoladamente.
Manter estatísticas em operações tensoriais
Máximo e mínimo Python sobre o tensor tornam-se torch.max e torch.min. Percorrer grandes tensores do dispositivo em Python cria trabalho na fronteira da linguagem que uma redução resolve dentro do framework numérico. Isso importa principalmente quando avaliar aptidão é barato.
Na regressão simbólica, expressões podem ser avaliadas em paralelo enquanto mostrar extremos continua caro. A correção remove esse desequilíbrio sem alterar a estatística. A PR relata grande melhora com um milhão de indivíduos, mas não oferece protocolo completo; a ação útil é medir a geração inteira, incluindo relatórios.
Compare o tempo completo da geração com e sem relatórios mantendo entradas, semente e população. Confira os extremos contra o tensor de aptidão antes de aumentar a carga. A introdução ao EvoGP explica as árvores tensorizadas; a atualização AMD ROCm independente cobre hardware e compilação. Uma redução mais rápida ou um backend compatível não determinam sozinhos o desempenho da busca completa.