진화 알고리즘에 웹 검색 최적화 더하다

핵심 요약

• LLM 기반 진화 알고리즘이 부족한 지식으로 인해 진행이 막힐 때 웹 검색으로 관련 문서를 공급하면 도움이 되지만, 단순히 검색 도구를 추가하면 솔루션이 바뀔 때도 같은 페이지만 반복해서 반환하는 문제가 있다.
• EvoDuet은 모델 파라미터를 고정한 채 솔루션과 검색 쿼리를 동시에 진화시키는 이층 최적화 방법이다.
• 각 반복 단계마다 LLM이 지식 부족을 판단해 새 문서를 검색하거나 저장된 문서를 재사용하거나 검색 없이 진행할 수 있는 '검색 게이트'를 제공한다.
• 내부 루프에서는 쿼리를 개선하고 문서를 솔루션 점수 예측값으로 순위 매기며, 외부 루프에서는 이 문서들로부터 후보를 병렬 생성하고 평가 결과를 이후 검색을 위해 기록한다.
• 1회 반복당 후보 1개 기준 21개 최적화 작업에서 EvoDuet은 OpenEvolve의 정규화 발견 이득을 GPT-5.6-Luna로는 74.1%에서 78.0%로, Gemini-3.8-Flash로는 61.3%에서 82.3%로 향상시켰으나 Qwen3.5-9B는 개선되지 않았다.
• 최고 성능은 Swap Reduction on Q20, Rosetta 등 8개 작업에서 이전 최고 기록을 넘어섰고, 3개 작업에서는 일치했다.
• EvoDuet은 Top-K, EvoX 등 다른 스캐폴드에서도 Sums/Diffs, Denoising 작업에 효과를 보여 진화 검색 스캐폴드 전반에 적용 가능함을 입증했다.