為 AlphaEvolve 評估架構設計評估指標時，請建立下列三個不同的測試層級。
第 1 級：解決方案驗證測試
這些測試會在完整執行前，驗證基本程式碼執行安全性和政策遵循情況。
執行安全性：確認程式碼是否會執行。包括檢查語法、編譯時間、執行靜態分析，以及檢查基礎架構相容性。
執行政策：決定是否要執行程式碼，即使程式碼可正常運作。包括 Linting、一般程式碼品質檢查、資訊安全審查、風險和法規遵循驗證，以及 API 供應鏈檢查。
注意事項：
如果驗證失敗，請傳回高負分，例如
-10000或-100000。AlphaEvolve 會忽略這些程式。請附上失敗類型和記錄，以利除錯。雖然 AlphaEvolve 不會將這項中繼資料做為搜尋信號，但這項資料有助於事後分析失敗模式。
第 2 級：解決方案驗證測試
這些測試會使用單元和功能測試，驗證演算法的正確性，以及是否符合限制。
功能準確性：使用單元和功能測試，驗證程式碼是否正常運作。
限制遵循：驗證解決方案的可行性或限制滿足度。
減少獎勵遭濫用：將驗證分數套用為適應度函式的負面懲罰，防止獎勵遭濫用。斷言分數為
-10000或-100000，可做為有效的懲罰。
注意事項：
傳回通過的測試數量或百分比。這個方法會提供漸層信號；如果程式通過 5 項測試中的 4 項，系統會認定該程式比通過 0 項測試的程式更接近正確答案。
將驗證視為滿足軟限制。即使是嚴格的系統限制，根據可行空間的鄰近程度將其表示為軟性處罰，也能為 AlphaEvolve 提供比二進位通過或失敗更具參考價值的搜尋信號。
第 3 級：解決方案評估測試 (效能測試)
這些測試會根據最佳化目標類型，評估客觀成效指標。
直接評估：在檢測允許的情況下，直接追蹤目標。
確定性估算：以分析方式計算目標，適用於傳統作業研究風格。
樣本外驗證：針對涉及機器學習管道最佳化或代理駕馭系統調整的使用案例，根據驗證資料集進行測試。
模擬預估：使用馬可夫鏈蒙地卡羅 (MCMC) 模擬、貝氏最佳化類型代理函式，或其他以模型為基礎的方法。
注意事項：
傳回精細和匯總分數。
請勿將分數計算工作交給 LLM，而是在評估工具架構中以確定性方式計算。AlphaEvolve 會根據這些預先計算的總體成效分數，進行爬山賽。
部分抵免額會提供梯度信號，加速搜尋收斂。舉例來說，如果程式通過 5 項測試中的 4 項，應獲得
0.8分，而非None分。傳回None會導致 AlphaEvolve 完全忽略程式，無法提供實用的意見回饋。0.8分表示候選提示接近正確，且有最佳化潛力。