神經網路種群越大，通常就需要儲存越多份權重。EvoX 在 2026 年 7 月 7—8 日的更新中改用另一種表示方式：VirtualES 只儲存一份共享中心參數和每個候選的隨機種子，在評估時重建彼此的差異。研究者因此可以重新思考：在參數儲存耗盡記憶體之前，還能容納多少搜尋多樣性？
概念插畫：一個共享中心，多個可重建的候選。
儲存候選的生成方式
若種群有 P 個候選，每個含 D 個參數，顯式儲存需要與 P × D 成正比的空間。中心加種子的表示約需 D + P 個元素。此處比較的是種群參數表示；啟動值、最佳化器狀態和評估緩衝區仍計入總記憶體開銷。VirtualES 實作
VirtualES 將 (center, seeds, sigma) 交給工作流程。VirtualProblem 逐層評估網路，透過融合的 Triton 運算完成基礎線性計算，以及由種子產生的權重和偏置擾動。適應度再引導中心參數的下一次更新。此實作採用完整高斯擾動，取代先前的低秩 LoRA 形式。評估實作
讓每個候選取得自己的回饋
可以從包含線性層和文件支援啟動函數的 nn.Sequential 網路開始。將損失函數設為 reduction='none'，讓 VirtualProblem 分別彙整各候選的損失。若只回傳一個純量損失，它會被擴展到整個種群，失去個體差異。這個小小的介面選擇會直接影響搜尋。
虛擬種群路徑略過分散式評估與解轉換，VirtualProblem 也不支援 HPO 包裝器。移植既有實驗前，應先核對這些邊界。工作流程整合
衡量表示方式帶來的實驗空間
先使用受支援的網路，再逐步調整種群規模，在固定評估預算下記錄峰值記憶體、評估時間和適應度。如此可區分參數儲存的收益，以及重建雜訊、處理啟動值的成本。7 月的更新也包含雜訊輔助函數的 Triton 編譯修正。
若還不熟悉 EvoX 的實驗結構，可以先看快速入門。VirtualES 提出一個值得實測的問題：當儲存每個候選的完整權重不再是前提，更大的搜尋種群會如何改變您的實驗？