Young-Jun Lee氏らの研究チームは2026年9月30日(現地時間)、学術論文公開サイトarXiv cs.CLを通じ、「EvoDuet」と称する二重レベル最適化手法を発表した。この手法は、大規模言語モデル (LLM) を用いた進化的探索において、モデルが外部知識を欠くことで進行が停滞する課題に対処する。ウェブ検索ツールを単純に導入するだけでは、ソリューションの変化に合わせて同じページを繰り返し返す問題があり、EvoDuetはこれを改善するためにソリューションと検索クエリを固定モデルパラメータの下で共進化させる。
EvoDuetは、各イテレーションにおいて「retrieval gate」を介してLLMが自身の知識ギャップを評価し、新しいドキュメントの取得、保存されたドキュメントの再利用、またはドキュメントなしで続行するかを選択する。内部ループではクエリを洗練し、予測されるソリューションスコアに基づいてドキュメントをランク付けする一方、外部ループではこれらのドキュメントから候補を並行して生成し、評価結果を後続の検索のために記録する。
21の最適化タスクにおける実験では、EvoDuetはOpenEvolveの正規化された発見ゲインをGPT-5.6-Lunaで74.1%から78.0%に、Gemini-3.8-Flashで61.3%から82.3%に向上させた。Qwen3.5-9Bでは効果が見られなかった。研究チームの最良の実行結果は、Swap Reduction on Q20やRosettaを含む8つのタスクでこれまでの最高スコアを上回り、さらに3つのタスクで同等の結果を達成した。
EvoDuetはSums/DiffsおよびDenoisingタスクにおいて、Top-KやEvoXといった他のスキャフォールドとも連携して機能し、進化的探索スキャフォールド全体での適用可能性を示している。
参考: arXiv cs.CL (アーカイブ) — 2026年10月1日 02:58 (JST)
原文ハイライト"EvoDuet, a bi-level optimization method that co-evolves solutions and search queries"