异构智能体协同进化
摘要
HACE 是一个联合进化专业基础模型与 LLM 智能体的框架，通过互惠学习和进化搜索优化二者的交互机制，在推荐系统、蛋白质功能预测和晶体稳定性预测三个领域均超越现有的自我改进方法。
查看缓存全文
缓存时间: 2026/10/21 07:05
论文页面 - Heterogeneous Agentic Coevolution
来源: https://huggingface.co/papers/2610.16078 作者:
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
摘要
HACE 是一个框架，通过相互学习和对交互harness的进化优化，联合进化特化的基础模型和 LLM 智能体，在推荐系统、蛋白质预测和材料发现等方面提升性能。
最近在 自我改进的 LLM 智能体 (https://huggingface.co/papers?q=self-improving%20LLM%20agents) 方面的进展表明，能够驱动自身智能的 AI 系统具有巨大潜力。然而，许多领域特定的应用依赖于 特化的基础模型 (https://huggingface.co/papers?q=specialized%20foundation%20models)，这些模型具备强大的领域专业知识，但仍依赖于人工设计的改进。将递归自我改进扩展到这些模型面临一个关键挑战：随着专家模型的改进，用于推进它的策略也必须随之适应。为应对这一挑战，我们提出了 Heterogeneous Agentic CoEvolution (https://huggingface.co/papers?q=Heterogeneous%20Agentic%20CoEvolution)（HACE），一个通过相互学习联合进化 特化的基础模型 (https://huggingface.co/papers?q=specialized%20foundation%20models) 和 LLM 智能体的框架。HACE 通过 监督学习 (https://huggingface.co/papers?q=supervised%20learning) 改进专家模型，同时通过 在策略强化自训练 (https://huggingface.co/papers?q=on-policy%20reinforced%20self-training) 训练智能体，并以当前专家模型上经过验证的性能提升为指导。智能体的探索反过来为后续的专家模型训练提供信息，使两个模型能够相互适应彼此的进步。为维持这种相互学习，HACE 进一步采用 进化搜索 (https://huggingface.co/papers?q=evolutionary%20search) 来优化它们的 交互harness (https://huggingface.co/papers?q=interaction%20harness)，随着模型能力的演进，自适应地调整模型之间交换信息和选择训练经验的方式。我们在三个具有挑战性的领域评估了 HACE： 推荐系统 (https://huggingface.co/papers?q=recommendation%20systems)、生物学中的 蛋白质功能预测 (https://huggingface.co/papers?q=protein%20function%20prediction) 和材料发现中的 晶体稳定性预测 (https://huggingface.co/papers?q=crystal%20stability%20prediction)。我们表明，在所有三个领域的主任务指标上，HACE 均优于所评估的自我改进方法。这些结果揭示了异构协同进化作为通过与学习智能体相互交互来改进 特化的基础模型 (https://huggingface.co/papers?q=specialized%20foundation%20models) 的一种通用方法的前景。
查看 arXiv 页面 (https://arxiv.org/abs/2610.16078)查看 PDF (https://arxiv.org/pdf/2610.16078)项目页面 (https://wenqian-ye.github.io/hace/)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.16078)
在你的智能体中获取这篇论文：
hf papers read 2610\.16078
没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash
引用本文的模型 0
没有模型关联本文。 在模型 README.md 中引用 arxiv.org/abs/2610.16078 即可从本页面链接该模型。
引用本文的数据集 0
没有数据集关联本文。 在数据集 README.md 中引用 arxiv.org/abs/2610.16078 即可从本页面链接该数据集。
引用本文的 Spaces 0
没有 Space 关联本文。 在 Space README.md 中引用 arxiv.org/abs/2610.16078 即可从本页面链接该 Space。
包含本文的合集 0
没有合集包含本文。 将本文添加到 合集 (https://huggingface.co/new-collection) 即可从本页面链接。
相似文章
HMACE：面向组合优化的异构多智能体协同进化
本文介绍了 HMACE，这是一种异构多智能体协同进化框架，利用大型语言模型（LLM）自动化设计启发式算法，以解决 NP 难组合优化问题。实验表明，在旅行商问题（TSP）和装箱问题（BPP）等任务上，该方法在质量与效率的权衡方面优于单智能体和基准多智能体方法。
流程感知自进化: 协同进化模型权重、流程与任务解决方案
HASE 是一个强化学习框架，它在统一的智能体过程中协同进化模型权重、任务解决方案以及流程组件（引导与评估），使单个8B参数的模型在文本分类和阿尔法因子挖掘任务上能够匹配更大系统的性能。
AgentSafeEvo：面向 LLM 智能体安全的对抗协同进化
AgentSafeEvo 提出一种基于攻防博弈的对抗协同进化强化学习框架，联合训练攻击者与防御者 LLM 智能体，以提升多轮工具调用场景下的安全性，同时保持通用能力不下降。作者在七个安全与能力基准上进行了评测，并开源了代码、模型和数据集。
自我进化代理脚手架框架
提出一个自我进化代理框架（Harness RSI），在保持模型权重固定的情况下，通过反馈驱动的修订与进化优化，持续改进代理的软件脚手架（提示、记忆、工作流和可执行组件），并借助持续 PAC 学习为泛化与保留能力提供理论保证。
CoEvolve：反事实引导的多智能体系统中记忆与协作的协同进化
提出CoEvolve框架，通过反事实轨迹对比实现多智能体系统中记忆与协作架构的对齐协同进化，在ALFWorld和WebShop基准上取得最佳综合性能。