arXivAI 研究專業

EvoDuet：搜尋與解題協同演化的雙層優化框架，突破 LLM 科學發現的知識瓶頸

EvoDuet: Co-Evolving Web Search and Task Solving for LLM-Based Scientific Discovery

2026/10/012 分鐘閱讀

EvoDuet：搜尋與解題協同演化的雙層優化框架，突破 LLM 科學發現的知識瓶頸

30 秒看懂

在利用大語言模型（LLM）進行科學發現的演化搜尋中，缺乏外部即時知識常導致探索停滯。傳統方法單純加入搜尋工具，容易隨著解答變化而重複檢索相同頁面。EvoDuet 引入了「雙層優化」機制，在不調整模型參數的前提下協同演化解答與搜尋查詢。每個迭代中，透過「檢索閘門」讓 LLM 評估知識落差，並利用內圈精煉查詢與篩選網頁文檔、外圈平行生成並評估候選解答。實驗顯示，此方法將 Gemini-3.8-Flash 的發現得分由 61.3% 提升至 82.3%，但在 Qwen3.5-9B 等小模型上則未能見效。

核心重點

雙層協同演化機制

內圈專注於優化與精煉搜尋查詢以篩選高價值文檔，外圈則基於這些文檔平行生成並評估任務解答，兩者同步演進。

主動式檢索閘門

允許 LLM 在迭代過程中主動評估自身的知識缺口，靈活決定要檢索新網頁、重用舊文檔，或直接進行解題。

顯著提升探索成效

在 21 項優化任務中，將 Gemini-3.8-Flash 的發現增益提升至 82.3%，並在多個複雜演算法任務中刷新最佳紀錄。

模型能力的門檻限制

此方法的協同演化效果高度依賴模型本身的基礎能力，如 Qwen3.5-9B 較小型的模型在此架構中並未獲得效益。

技術圖解

EvoDuet 雙層協同演化架構

為什麼重要

複雜的科學探索任務（如演算法優化）往往需要模型未曾接觸的外部前沿知識。傳統 LLM 代理人在調用搜尋工具時，常因缺乏策略而反覆檢索無效資訊。EvoDuet 證明了「如何搜尋知識」與「如何利用知識解決問題」可以且應該被同步優化。這種無須微調模型參數的系統設計，為科學發現（AI for Science）與複雜問題求解提供了更高效、具適應性的解決方案。

對誰有影響

AI 研究人員
AI 開發者
學生與學習者

可以怎麼使用

1自動化科學演算法與程式碼優化（如 Swap Reduction 等優化任務）
2需動態整合外部最新技術文檔的複雜代理人（Agent）任務導航

限制與注意事項

高度依賴基底 LLM 的推理解答與自我評估能力，較小或弱性能的模型無法從此框架中受益。
檢索效果受限於搜尋引擎返回的資訊品質，若初次檢索充滿雜訊，可能影響內圈的優化效率。