EvoDuet：科学发现的网络搜索和任务解决的双层协同进化

当进展需要模型缺乏的外部知识时，大语言模型 (LLM) 的进化搜索可能会停止。提供相关文档会有所帮助，但只需添加网络搜索工具就可以在解决方案发生变化时不断返回相同的页面。我们引入了 EvoDuet，这是一种双层优化方法，可利用固定模型参数共同演化解决方案和搜索查询。在每次迭代中，检索门让大语言模型评估其知识差距，并选择检索新文档、重用存储的文档或不使用它们继续进行。内部循环优化查询并根据预测产生的解决方案分数对文档进行排名；外循环从这些文档中并行生成候选者，并记录评估结果以供以后搜索。在每次迭代一个候选的 21 个优化任务中，EvoDuet 将 OpenEvolve 的标准化发现增益从 GPT-5.6-Luna 的 74.1% 提高到 78.0%，使用 Gemini-3.8-Flash 从 61.3% 提高到 82.3%，而 Qwen3.5-9B 则没有受益。我们的最佳成绩超过了之前报告的八项任务的最佳成绩，包括 Q20 和 Rosetta 上的 Swap Reduction，并且在另外三项任务上与它们相匹配。 EvoDuet 还与其他支架（例如 Top-K、EvoX）一起改进了 Sums/Diffs 和 Denoising，证明了其在进化搜索支架中的适用性。