论文页面 - EVOCHAMBER：个体、团队与群体尺度上多智能体系统的测试时协同进化

来源：https://huggingface.co/papers/2605.11136

摘要

多智能体测试时进化框架 EVOCHAMBER 通过协同反思与跨协同进化智能体的非对称知识迁移，实现了涌现性专业化。

我们认为，多智能体测试时进化 (https://huggingface.co/papers?q=multi-agent%20test-time%20evolution) 并非单智能体进化 (https://huggingface.co/papers?q=single-agent%20evolution) 的 N 次简单复制。单智能体学习器只能进化自身的上下文和记忆。而多智能体系统还能额外进化谁与谁协作、如何协作以及知识如何在群体中流动。这些组件在单智能体中并无对应物，并能产生诸如涌现性专业化 (https://huggingface.co/papers?q=emergent%20specialization) 等现象。然而，先前的测试时方法要么将经验限制在单个智能体内，放弃了跨智能体学习；要么对称地广播给所有智能体，抹杀了使协作有价值的专业化。我们提出 EVOCHAMBER，这是一个无需训练的框架，在协同进化智能体池 (https://huggingface.co/papers?q=coevolving%20agent%20pool) 上于三个层次实例化测试时进化。其核心是 CODREAM (https://huggingface.co/papers?q=CODREAM)（协同梦想 (https://huggingface.co/papers?q=Collaborative%20Dreaming)），这是一个在团队失败或分歧时触发的任务后协议，智能体在其中协同反思、提炼见解，并将它们从擅长特定领域的强智能体非对称地路由到弱智能体，从而既保留专业化又填补知识空白。团队级操作符在线构建领域条件化团队 (https://huggingface.co/papers?q=niche-conditioned%20teams) 并选择协作结构 (https://huggingface.co/papers?q=collaboration%20structures)。群体级生命周期操作符 (https://huggingface.co/papers?q=Population-level%20lifecycle%20operators) 在性能压力下进行分叉、合并、剪枝和种子智能体操作。在三个异构任务流（使用 Qwen3-8B）上，EVOCHAMBER 在竞赛数学上达到 63.9%，在代码任务上达到 75.7%，在多领域推理上达到 87.1%，在数学任务上相对最佳基线提升 32%，消融实验证实非对称跨智能体转移是主要驱动因素。从若干初始化相同的智能体开始，四到五个稳定的领域专家自发涌现，这是多智能体进化的结构特征，任何单智能体学习器都无法表达。代码见：https://github.com/Mercury7353/EvoChamber

查看 arXiv 页面 (https://arxiv.org/abs/2605.11136) 查看 PDF (https://arxiv.org/pdf/2605.11136) GitHub1 (https://github.com/Mercury7353/EvoChamber) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.11136)

在你的智能体中获取此论文：

hf papers read 2605.11136

没有最新 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2605.11136 即可从此页面链接。

引用此论文的数据集 0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.11136 即可从此页面链接。

引用此论文的 Space 0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2605.11136 即可从此页面链接。

包含此论文的收藏集 0

没有包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面链接。