EvoDuet:网络搜索与任务求解的双层协同进化用于科学发现
摘要
EvoDuet 提出了一种双层优化框架,在 LLM 参数固定的情况下协同进化解决方案与网络搜索查询,并通过检索门控决定何时获取新文档、何时复用已有文档。在 21 个任务上,它显著提升了 OpenEvolve 的归一化发现增益(例如在 Gemini-3.8-Flash 上从 61.3% 提升至 82.3%),在八个任务上超越了此前的最佳成绩,并在不同的进化搜索脚手架上表现出良好的泛化能力。
查看缓存全文
缓存时间: 2026/10/01 04:20
论文页面 - EvoDuet:面向科学发现的网络搜索与任务求解双层协同演化
来源:https://huggingface.co/papers/2609.40340
摘要
基于大语言模型(LLM)的演化式搜索在需要模型所缺乏的外部知识时可能会停滞不前。提供相关文档会有所帮助,但仅仅加入网络搜索工具,会随着解决方案的改变而不断返回相同的网页。我们提出 EvoDuet,一种在固定模型参数下协同演化解决方案与搜索查询的双层优化方法。在每次迭代中,一个检索门控机制让 LLM 评估自身的知识缺口,并选择检索新文档、复用已存文档,或在不使用文档的情况下继续推进。内层循环优化查询,并按其预估能带来的解决方案得分对文档进行排序;外层循环基于这些文档并行生成候选方案,并记录已评估的结果以供后续搜索使用。在 21 个优化任务上(每次迭代生成一个候选方案),EvoDuet 将 OpenEvolve 的归一化发现增益在 GPT-5.6-Luna 上从 74.1% 提升至 78.0%,在 Gemini-3.8-Flash 上从 61.3% 提升至 82.3%,而 Qwen3.5-9B 则未受益。我们的最佳运行结果在包括 Q20 和 Rosetta 上的 SwapReduction 在内的 8 个任务上超越了此前报告的最高分数,并在另外 3 个任务上与之持平。EvoDuet 在其他脚手架(例如 Top-K、EvoX)上同样在 Sums/Diffs 和 Denoising 任务中有所提升,证明了其在不同演化式搜索脚手架上的适用性。
查看 arXiv 页面 (https://arxiv.org/abs/2609.40340) · 查看 PDF (https://arxiv.org/pdf/2609.40340) · 项目主页 (https://open-galapagos.github.io/evoduet_project_page/) · GitHub0 (https://github.com/Open-Galapagos/EvoDuet) · 添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2609.40340)
引用该论文的模型 0
暂无模型链接至该论文
在模型 README.md 中引用 arxiv.org/abs/2609.40340,即可在本页面建立链接。
引用该论文的数据集 0
暂无数据集链接至该论文
在数据集 README.md 中引用 arxiv.org/abs/2609.40340,即可在本页面建立链接。
引用该论文的 Space 0
暂无 Space 链接至该论文
在 Space README.md 中引用 arxiv.org/abs/2609.40340,即可在本页面建立链接。
包含该论文的合集 0
暂无合集包含该论文
将该论文添加到合集 (https://huggingface.co/new-collection),即可在本页面建立链接。
相似文章
EvoBrowseComp:面向演进知识的搜索智能体基准测试
EvoBrowseComp是一个演进式基准测试集,包含800个无污染的问题,用于评估搜索智能体,旨在通过三智能体框架防止参数记忆并保持时间新鲜度。
EvoBrowseComp:面向演进知识的搜索代理基准测试
本文介绍了EvoBrowseComp,这是一个动态基准测试,包含400个英文和400个中文复杂问题,通过实时网络遍历合成,用于评估搜索代理,避免测试集污染,确保对参数记忆的鲁棒性。
Evo$^2$:通过权重与框架协同进化来进化演化器
Evo²提出权重-支架协同进化框架,通过双角色(Proposer/Reflector)管线和EvoTIDE训练流程(SFT+GRPO),在Polyglot达到82.1%、SWE-bench Verified达到48.3%,显著优于现有自进化方法,并可跨模型与任务迁移。
EvoSci:一种受生物启发的多智能体框架,用于科学发现的演化
EvoSci提出了一种受生物启发的多智能体框架,将进化算法与知识图谱建模相结合,以迭代生成、评估和完善研究想法,在同行评审评估中取得了最佳性能。
EvoMaster:构建可进化大规模自主科学智能体的基础框架
# 论文页面 - EvoMaster:构建可进化大规模自主科学智能体的基础框架 来源:[https://huggingface.co/papers/2604.17406](https://huggingface.co/papers/2604.17406) 作者:,,,,,,,,,,,,,,,,,,,,, ## 摘要 EvoMaster 是一个可扩展、自我进化的智能体框架,专为大规模科学发现设计,支持在实验周期中迭代优化假设并持续积累知识。大语言模型与智能体的融合正在催生“智能体科学”新时代。