EvoDuet: Bilevel Co-Evolution of Web Searching and Task Solving for Scientific Discovery
Aggiunta all'archivio di AIChronos il (numero del 1 ottobre 2026 ricostruito)· fonte del · Young-Jun Lee, Jinheon Baek, Soyeong Jeong, Minki Kang, Seungyeon Jwa, Jonghyun Choi (Minnesota NLP)
EvoDuet è un metodo di ottimizzazione a due livelli che co-evolve soluzioni e query di ricerca web mantenendo i parametri del modello fissi. Utilizza una 'retrieval gate' per permettere all'LLM di valutare le lacune conoscitive, decidendo se recuperare nuovi documenti o procedere senza supporto esterno. Un loop interno raffina le query in base ai punteggi previsti delle soluzioni, mentre un loop esterno genera candidati paralleli e registra gli esiti valutati. Questo approccio supera i limiti della ricerca web statica che tende a ripetere pagine inutili man mano che la soluzione evolve.
- EvoDuet aumenta il 'normalized discovery gain' su GPT-5.6-Luna (da 74,1% a 78,0%) e Gemini-3.8-Flash (da 61,3% a 82,3%).
- Il metodo non offre benefici significativi quando applicato al modello Qwen3.5-9B.
- EvoDuet supera i punteggi precedenti su otto compiti di ottimizzazione e ne eguaglia altri tre.
- L'architettura è compatibile con diversi scaffold evolutivi come Top-K ed EvoX per task specifici (Sums/Diffs, Denoising).
- La strategia bilivello permette di superare lo stallo della ricerca evolutiva quando sono necessari documenti esterni non presenti nel training set.
Perché conta. Per gli sviluppatori che lavorano con agenti e AI locali, EvoDuet offre un framework per gestire dinamicamente le lacune conoscitive senza richiedere il fine-tuning continuo dei modelli. Questo è cruciale per implementare sistemi autonomi capaci di scoprire soluzioni scientifiche complesse integrando efficacemente la ricerca web in loop iterativi.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.