知识卡片：EvoDuet：面向科学发现的网页搜索与任务求解双层共演化

一句话结论

EvoDuet 是一种在固定 LLM 参数下，让“候选解”和“搜索查询”双层共同演化的方法；在部分模型和 21 个优化任务上，它提高了 OpenEvolve 的归一化发现增益，并表明检索增强进化搜索的关键不只是加网页搜索，而是让查询随解变化。

事件概述或研究问题

• 研究背景：使用大语言模型（LLM）进行进化搜索时，如果进展需要模型本身缺乏的外部知识，搜索可能停滞。
• 已有痛点：提供相关文档有帮助，但简单加入网页搜索工具，可能随着解决方案变化仍反复返回相同页面。
• 论文提出 EvoDuet，目标是在固定模型参数的情况下，让网页搜索与任务求解共同演化，以支持科学发现中的优化搜索。

方法/产品要点

• 双层优化：共演化解决方案与搜索查询，模型参数保持固定。
• 检索门控：每次迭代由 LLM 评估自身知识缺口，并选择检索新文档、复用已存文档，或不使用文档继续。
• 内循环：精炼搜索查询，并按文档预测能带来的解决方案分数对文档排序。
• 外循环：基于这些文档并行生成候选，并记录已评估结果，供后续搜索使用。
• 适用性测试：除 OpenEvolve 外，还测试了其他进化搜索脚手架，例如 Top-K、EvoX。

主要结果或产业意义

• 在 21 个优化任务、每轮一个候选的设置下，EvoDuet 将 OpenEvolve 的归一化发现增益：
  • 使用 GPT-5.6-Luna 时，从 74.1% 提升到 78.0%；
  • 使用 Gemini-3.8-Flash 时，从 61.3% 提升到 82.3%；
  • 使用 Qwen3.5-9B 时，未受益。
• 最佳运行在 8 个任务上超过此前报告的最佳分数，包括 Q20 上的 Swap Reduction 与 Rosetta；在另外 3 个任务上持平。
• 在其他脚手架（如 Top-K、EvoX）上，于 Sums/Diffs 和 Denoising 任务也有改进，显示其可应用于不同进化搜索脚手架。
• 产业意义：来源材料未直接说明，待核实。

为什么重要

• 它指出简单给 LLM 接入网页搜索并不足够，搜索查询需要与当前解的状态共同演化。
• 检索门控把“何时检索、何时复用、何时不检索”交给 LLM 判断，体现了更细粒度的工具使用策略。
• 跨脚手架改进提示该方法可能不绑定单一进化搜索框架。
• 结果也显示明显模型依赖：GPT-5.6-Luna 与 Gemini-3.8-Flash 有提升，Qwen3.5-9B 未受益。
• 与既有脉络的关系：已有卡片“智能体插件的维护与共演化”也讨论共演化，但关注 Claude Code 插件市场与技能目录/脚本维护；本条的增量是把“共演化”落到 LLM 进化搜索中的解决方案与搜索查询双层优化，且对象是科学发现优化任务，而非插件生态。它不重复 DGM/PINN 收敛证明或 SOAP/Muon 优化器卡片的内容。

局限与不确定性

• 来源材料只有标题、摘要和元数据；实验细节、统计显著性、误差范围、计算成本、检索语料/工具、基线设置、任务列表细节均待核实。
• 模型结果依赖模型：GPT-5.6-Luna 与 Gemini-3.8-Flash 有提升，Qwen3.5-9B 未受益；适用模型规模与能力门槛待核实。
• “归一化发现增益”的定义、OpenEvolve 基线细节、最佳分数对比协议待核实。
• 多候选设置、更长迭代预算、真实科学发现工作流中的表现待核实。
• 其他脚手架上的改进仅报告 Sums/Diffs 和 Denoising，泛化边界待核实。
• 论文同行评审状态、代码与数据可用性待核实。
• 作者关键词未在来源中列出，待核实。

可用于图书/PPT/简报的角度

• 对比“简单加网页搜索”与“让搜索查询随解共同演化”。
• 用检索门控解释 LLM 智能体如何判断知识缺口。
• 用内外循环图说明双层优化：内层挑文档，外层出候选。
• 用数字展示模型差异：同一方法对不同 LLM 效果不同。
• 作为“检索增强进化搜索用于科学发现”的案例，与智能体工具使用、自动化科研、LLM 优化器/脚手架话题连接。
• 讨论评估指标 normalized discovery gain 和跨任务最佳分数。

原始材料

• 英文标题：EvoDuet: Bilevel Co-Evolution of Web Searching and Task Solving for Scientific Discovery
• 英文关键词：来源未列出作者关键词，待核实；任务标签为 foundation-model；标题/摘要中的英文关键词包括 EvoDuet, bilevel co-evolution, web searching, task solving, scientific discovery, LLMs, evolutionary search。
• 原始来源：arXiv:2609.40340v1；Abstract URL: https://arxiv.org/abs/2609.40340v1；PDF URL: https://arxiv.org/pdf/2609.40340v1
• 作者：Young-Jun Lee, Jinheon Baek, Soyeong Jeong, Minki Kang, Seungyeon Jwa, Jonghyun Choi, Seungho Han, Dongyeop Kang
• 发布时间：2026-09-30T17:58:28Z；更新：2026-09-30T17:58:28Z
• 分类：cs.CL；Primary category: cs.CL
• Track: academic；Topics: foundation-model