EvoDuet：面向科学发现的网络搜索与任务求解双层协同演化

论文提出 EvoDuet，一种在模型参数固定条件下协同演化候选解与搜索查询的双层优化方法：每轮由检索门判断知识缺口，决定检索新文档、复用已有文档或不检索；内层循环优化查询并按预测解得分排序文档，外层并行生成候选并记录评估结果供后续搜索使用。在 21 个优化任务、每轮一个候选的设置下，OpenEvolve 的归一化发现增益从 74.1% 提升至 78.0%（GPT-5.6-Luna），从 61.3% 提升至 82.3%（Gemini-3.8-Flash），而 Qwen3.5-9B 未获益。

AI推荐理由 arXiv 论文，提出 EvoDuet 双层优化方法，在固定模型参数下协同演化解与搜索查询，并用检索门判断知识缺口。给出 21 个优化任务上的归一化发现增益对比（OpenEvolve 74.1%→78.0%、61.3%→82.3%，Qwen3.5-9B 无收益），属于可验证的实验结果；局限是仅摘要片段，任务类型与基线细节有限。