进化式任务发现：通过技能组合与复杂度缩放推进推理前沿

大型语言模型的推理前沿虽经现代后训练范式显著提升，但仍受限于训练数据的多样性与复杂度。现有数据合成方法常因同质化崩溃而失效。为此，本文提出进化式任务发现（EvoTD）框架，将数据合成视为在算法技能与复杂度属性双轴流形上的定向搜索。该框架引入结构化进化算子：交叉算子合成新技能组合以增强多样性，参数变异算子缩放结构约束以促进泛化。此外，集成动态最近发展区过滤器，确保任务处于模型可学习区域。实验表明，EvoTD 能跨架构、预训练机制及规模显著提升推理能力。