EvoDuet: coevoluzione a due livelli della ricerca sul web e della risoluzione di compiti per la scoperta scientifica

Abstract degli autori

La ricerca evolutiva basata su modelli linguistici di grandi dimensioni (LLM) può arenarsi quando i progressi richiedono conoscenze esterne di cui il modello è privo. Fornire documenti pertinenti aiuta, ma la semplice aggiunta di uno strumento di ricerca sul web può continuare a restituire le stesse pagine anche quando le soluzioni cambiano. Presentiamo EvoDuet, un metodo di ottimizzazione a due livelli che fa coevolvere soluzioni e query di ricerca mantenendo fissi i parametri del modello. A ogni iterazione, un meccanismo di controllo del recupero consente all’LLM di valutare le proprie lacune e scegliere se recuperare nuovi documenti, riutilizzare quelli archiviati o procedere senza. Un ciclo interno perfeziona le query e ordina i documenti in base ai punteggi che si prevede ottengano le soluzioni prodotte a partire da essi; un ciclo esterno genera in parallelo soluzioni candidate a partire da questi documenti e registra gli esiti della loro valutazione per le ricerche successive. Su 21 compiti di ottimizzazione, con una soluzione candidata per iterazione, EvoDuet porta il guadagno normalizzato di scoperta di OpenEvolve dal 74,1% al 78,0% con GPT-5.6-Luna e dal 61,3% all’82,3% con Gemini-3.8-Flash, mentre Qwen3.5-9B non ne trae beneficio. Le nostre esecuzioni migliori superano i punteggi massimi riportati in precedenza in otto compiti, tra cui Swap Reduction su Q20 e Rosetta, e li eguagliano in altri tre. EvoDuet migliora i risultati anche con altri scaffold (per esempio Top-K, EvoX) su Sums/Diffs e Denoising, dimostrando la sua applicabilità a diversi scaffold per la ricerca evolutiva.