先造尺子，再爬山
想给 vLLM 提速的 AI 代理，改了一行调度器代码。想知道这行代码有没有用，得跑一次真实评估——85 分钟。
先造尺子，再爬山
想给 vLLM 提速的 AI 代理，改了一行调度器代码。想知道这行代码有没有用，得跑一次真实评估——85 分钟。
爬山式优化要几千步，一步 85 分钟，一天走不了几步。搜索还没开始就饿死了：瓶颈不在「想改哪」，在「改完怎么知道有没有用」。
刚挂上 arXiv 的 DuoDiscover（伯克利×斯坦福×Google，24 位作者，四位共同一作，10 月 12 日提交）给了一个反常规的答案：尺子不要给定，让代理自己造。
自己造一把便宜尺子
论文对以往系统的批评很直接：大家都在打磨搜索框架本身，评估器被当成固定前提。DuoDiscover 把这个前提拆了——每个编码代理自己圈一块值得优化的代码区域，同时为这块区域写一把专用的轻量尺子。官方给这把尺子起了个名字：yardstick（码尺）。
vLLM 里的真实案例：一个代理盯上调度器的 prefill 批处理，写的尺子是「解码步耗时的简化模型」，几秒钟跑完。真评估 85 分钟，尺子几秒，差三个数量级。
尺子不用给出和真评估一样的分数。它只需要把两个改动排出同样的先后——谁更好谁在前。排序对，方向就对；分数本身差多远都无所谓。
尺子会撒谎，怎么办
这是全文最诚实的一段。对着一个东西优化上千步，代理必然撞见尺子和现实的缝隙，顺着缝隙刷分——论文自己点名：这就是奖励黑客。尺子一开始准，不代表后来还准。
解药是秩相关（肯德尔 τ）。每跑完一次真评估，编排器就用这次的真分数复测尺子的排序一致性——只在真分差超过评估噪声的那些对子上算，免得把评估自己都分不清的东西记成尺子的错。τ≥0.5 算过线；掉线的尺子当场作废，代理要么重造一把，要么换目标。所有最终增益，仍然只认真评估：尺子负责指路，真评估负责盖章。
自底向上的一群代理
没有中心化的任务分解，每个代理自己选目标，跑双环。快环：改代码、尺子打分、涨了留着、跌了回滚，一步几秒。慢环：真评估确认增益、顺便复测尺子，一次几小时。轻量编排器只做三件事——掐掉停滞的代理、用确认过的增益当起点孵化新代理、给在跑的递纸条。
战绩
- FormulaCode（真实性能优化 PR 数据集，单次评估 7 分钟到 6.8 小时）：人类专家提交平均 1.048×，OpenEvolve 1.161×，代理基线平均 1.78×，DuoDiscover 2.16×
- SWE-fficiency：平均加速是人类专家的两倍；效率参照——Claude Code 跑出的 69.12% 分数，它 2.8 小时拿到
- SOL-Exec（NVIDIA 内核榜单）：235 个内核拿 121 个第一、212 个前三
- vLLM 1.92×（四目标几何均值，同预算下 Claude Code 是 1.07×）；SQLite 1.38×
- CPU 微架构（数据预取器设计，单次评估最长 28 小时）：超过最好的人类设计；增益是 AlphaEvolve 系 ArchAgent v2 的 1.65 倍，用时 16.7 天对对方的 40 天以上
两句冷水
真评估没有被消灭。外环照旧按小时跑，省下的只是内环的几千次快测——说「从根源上解决评估瓶颈」是重的，这是给评估装了节流阀，不是拆掉它。τ≥0.5 也是条宽松的线，半正相关就算过关。另外，论文没附代码仓库，许可还是 CC BY-NC-ND，想复现的得再等等。
收尾
16.7 天对 40 天，差出来的不是算力，是每次想确认「有没有用」时的干等。内环每步便宜三个数量级，外环一步没少——快出来的，就是这个差。
论文：arxiv.org/abs/2610.17184 项目页：duodiscover.github.io