一个网络，可能在搜索时排名靠前，独立训练后却表现平平。对神经架构搜索来说，这种错判尤其昂贵：每一代候选的去留，都取决于前一轮评估。如果比较本身出了偏差，搜索得越久，也可能只是沿着错误的方向走得越远。
EvoNAS 把这个问题放在视觉模型多目标搜索的中心。它将超网如何学习、候选模型如何评估，以及精度与计算成本如何取舍连成一条路径：让一次成本可控的比较，足以支撑下一次架构选择。
省下训练成本，也可能改变候选的排名
如果每一个候选网络都从头训练，架构搜索很快就会变成一笔庞大的计算开销。超网提供了一条捷径：先训练一个容纳多种结构的大网络，让其中的子网继承权重，避免每次评估都重新学习。
但共享权重也让不同结构的学习互相牵连。最能受益于当前共享参数的候选，未必就是独立训练后表现最好的架构。对演化搜索而言，这不只是分数上多了一点噪声：选择操作决定哪些候选能够留下、产生下一代，排序失真就可能改变整个搜索的方向。
视觉任务还给这场比较增加了一层要求。认出画面里有一栋楼，与准确找到楼的边界，是不同的能力。在深度估计和语义分割中，细栏杆、墙角、前景与背景的交界都可能携带关键信息；只保留大致语义，并不意味着这些细节也被保留下来。
网络变小之后，细节还能不能留下
EvoNAS 论文将视觉状态空间模块与视觉 Transformer 结合，构成可搜索的 VSS–ViT 超网。渐进式超网训练 PST 先训练较大的配置，再逐步纳入紧凑变体，让较小的候选在搜索空间展开时有一个已经学到表征的起点。
跨架构双域知识蒸馏 CA-DDKD 则进一步处理表征本身：在空间域和频率域同时对齐特征，通过离散余弦变换约束帮助保留细微的几何信息。这两个视角互为补充：特征出现在哪里很重要，勾勒边缘与纹理的变化也同样重要。
因此，训练策略成为了搜索方法的一部分。共享表征的质量提高，演化过程才有更有用的依据比较候选；单纯增加候选数量，并不能修复一个不可靠的排名。
评估可以更快，比较仍要公平
另一处瓶颈在于种群评估。EvoNAS 引入分布式多模型并行评估 DMMPE，通过 GPU 资源池和异步调度处理多个模型。搜索会反复回到评估这一步，因此这里的吞吐能力直接影响同一预算内能够完成多少比较。
最终的部署问题却很具体。比如一个必须在单帧预算内完成的深度估计模型，即使精度略高，只要耗时超过上限，就可能无法使用。多目标搜索保留精度与效率之间的多个可选方案，让最后的选择回到应用约束。要让时延比较有意义，候选也必须在可比的硬件与运行条件下接受测量。
沿着一个候选，一直走到重训之后
仓库工作流从 ImageNet-1k 超网预训练开始，经过目标任务的 PST 微调和演化搜索，最后重训选定子网。它提供了 KITTI、NYU Depth v2 深度估计，COCO 目标检测，以及 ADE20K 语义分割的任务入口。
第一次实验，可以选择一个任务，把这条路径完整走通。搜索配置决定“什么样的候选值得留下”，重训则揭示“选中的架构经过学习后究竟能做到什么”。把两个阶段的表现联系起来，恰好能回到 EvoNAS 最初要处理的排名问题。
README 当前仍将所需预训练超网的下载标为即将提供。开始前需要确认权重是否可用，并让 Mamba SSM wheel 与文档中的 Python、CUDA 和 PyTorch 环境匹配。
在 EvoX 生态中，EvoNAS 把一个值得追问的研究问题落到了具体任务上：怎样让有限的搜索预算，换来真正有用的比较？沿着代码与论文，可以从共享特征一路追到最终用于部署的模型选择。