在AI生成内容（AIGC）领域，尤其是图像与视频生成方向，行业长期遵循"规模即性能"的技术范式——提升生成质量往往依赖于扩大模型参数量、增加训练数据规模以及部署更高算力硬件。然而，香港科技大学与快手科技联合研究团队最新提出的EvoSearch（进化搜索）技术，正以颠覆性创新打破这一传统认知。
该技术通过动态进化搜索算法，在保持轻量化模型架构的前提下，实现了与百亿参数级模型相媲美的图像生成效果。其核心突破在于：
1. 参数效率革命：采用自适应权重进化机制，仅需微调关键网络节点即可优化生成效果，避免了传统方法中全参数迭代的算力消耗；
2. 动态拓扑优化：通过实时分析生成内容的语义-像素映射关系，动态重组神经网络连接路径，使中小模型具备"按需调用算力"的智能特性；
3. 多模态反馈闭环：引入人类视觉感知模型作为进化导向，使算法能自主识别并强化对画面细节、色彩过渡等关键质量指标的优化。
实验数据显示，在相同硬件环境下，EvoSearch技术仅用1/8的参数量，即在COCO-FID图像质量评估中超越传统扩散模型的基准表现。这一成果不仅为边缘设备部署高质量AIGC提供了可能，更揭示了AI作画领域"小而精"的技术演进新路径。目前该论文已被计算机视觉顶会CVPR 2024收录为Oral报告，相关代码库已在GitHub开源。
项目:https://tinnerhrhe.github.io/evosearch/
代码:https://github.com/tinnerhrhe/EvoSearch-codes
论文:https://arxiv.org/abs/2505.17618