🧭 研究者导览：这篇论文在“推理时扩展”谱系中的坐标
《Evolving Deeper LLM Thinking》把问题压到一句话：当我们愿意在推理阶段投入更多计算时，什么样的策略能稳定把“额外算力”兑换成更高的求解成功率？作者给出的答案不是“多想几步”，而是“多养几代”——用Mind Evolution在自然语言解空间里做遗传搜索，核心前提是：存在一个可编程的全局解评估器（evaluator），能判定约束满足与否、给出分数，并提供文本反馈。
在研究坐标系里，它最像一类“test-time search / inference-time optimization”方法：不依赖微调，不要求形式化求解器，但强依赖评估器可用性。与之相关的三条主线——Best-of-N、过程奖励（PRM/stepwise evaluation）、树搜索（MCTS/Tree-of-Thought 类）——分别代表了“广度采样”“可分解监督”“结构化探索”。Mind Evolution 则试图在广度 + 深度之间取得一个不同的折中：广度来自种群多样性与岛模型，深度来自对完整解的迭代重写（RCC）。
下面按研究者关心的维度，把它们的关系、差异与边界条件拆开讲清楚。
