真实世界的复杂性与多目标权衡

在真实世界里，优化问题很少只有一个目标，也很少只有一个答案。同一个系统往往要同时照顾性能、时延、能耗与成本；这些目标彼此牵制，改善其中一项，常常要以牺牲另一项为代价。因此，EvoX 的价值不在于更快地收敛到某个“唯一最优”，而在于保留一组彼此有差异的候选方案，让研究者可以在约束之内比较收益与代价，并持续探索。

为什么真实世界很难有唯一最优解

• 目标与约束随场景变化：面向离线评测、面向移动端、面向高并发线上服务，三者的优先目标完全不同，同一套配置很难同时胜出。
• 约束带有不可破坏的边界：端到端时延上限、单位推理成本预算、显存与功耗上限等，属于候选方案必须满足的边界，而不是可以用“总体更好”来交换的筹码。
• 多目标相互牵制：精度提高 → 计算量与能耗上升 → 时延与成本上升；反向压缩时延 → 往往要接受精度下降。没有免费的改进。

非支配解与帕累托前沿

当两个候选无法相互比较出绝对优劣时，它们才构成真正的选择空间。判定方法很直接：如果一个候选在所有目标上都不比另一个差，并且至少在一个目标上更好，那么另一个候选就是被支配解，可以在下一轮淘汰；反之，两者互不支配，都应当保留在候选集合里。所有互不支配的候选连在一起，就形成帕累托前沿——它把“改善一项要牺牲多少另一项”的交换关系完整地保留下来。

研究者的关键提问

• 什么对象可以改变？——模型结构、蒸馏策略、量化位宽、批处理大小，还是服务调度策略？
• 什么反馈能说明变化确实有效？——离线精度、线上时延分位数、单位成本，还是资源占用曲线？
• 哪些约束不能被破坏？——硬性时延上限、成本预算、合规与安全边界。
• 比较是否公平？——是否在同一硬件、同一流量分布与同一评测口径下对比。
• 结果是否足以支持结论？——样本量与线上流量覆盖是否充分，结论是否可复现。
• 下一轮保留什么、放弃什么？——淘汰被支配解，保留互不支配的差异化候选。