论文页面 - Meta^n：基于涌现深度的递归自我改进

来源：https://huggingface.co/papers/2608.24735

摘要

Meta^n通过递归地将固定的元操作应用于不断增长的输入，构建更深层次的推理层，从而改进自我改进的LLM智能体，且不会破坏系统稳定性。

自我改进的LLM智能体（https://huggingface.co/papers?q=Self-improving%20LLM%20agents）优化的是答案，而非产生这些答案的过程。增加元级别的系统会将该级别固定，而自我编辑的系统必须将其部分编辑机制保持不变以维持稳定，这将其可实现的元深度限制在大约两层。我们提出了Meta^n（https://huggingface.co/papers?q=Meta%5En），它保持元操作（https://huggingface.co/papers?q=meta-operation）固定，并在输入上进行递归。该操作Ω（https://huggingface.co/papers?q=%CE%A9）被重复应用于其自身的产品，同时读取下方的求解器栈（https://huggingface.co/papers?q=solver%20stack）的执行轨迹以及产生它们的代码，然后将下一层写入作为战略预处理（https://huggingface.co/papers?q=strategic%20pre-process）和可调用的辅助函数库。因为Ω（https://huggingface.co/papers?q=%CE%A9）永不改变，所以它不会破坏系统稳定性；并且因为其输入严格增长，每一层都比上一层从更高的立足点进行推理。深度由收敛性决定，而非预先固定，同时进化存档（https://huggingface.co/papers?q=evolutionary%20archive）在层链（https://huggingface.co/papers?q=layer%20chains）上进行搜索。在两个骨干网络上，Meta^n（https://huggingface.co/papers?q=Meta%5En）在所有八个基准测试族上都优于先前的自我改进智能体。最突出的情况是专门设计用于抵抗技能记忆的ARC-AGI-2（https://huggingface.co/papers?q=ARC-AGI-2），在此测试中它是唯一得分高于零的方法。消融研究表明，递归（https://huggingface.co/papers?q=recursion）带来的大部分增益源于每一层传递给下一层的条件设定（https://huggingface.co/papers?q=conditioning），并且尽管没有提示规定，但随着深度增加，不同的层角色会自然涌现。代码可在 https://github.com/minnesotanlp/meta-n 获取

查看arXiv页面 (https://arxiv.org/abs/2608.24735) 查看PDF (https://arxiv.org/pdf/2608.24735) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.24735)

通过您的智能体获取此论文：

hf papers read 2608\.24735

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

引用此论文的模型 0

没有模型链接此论文

在模型的README.md中引用 arxiv.org/abs/2608.24735 以从此页面链接。

引用此论文的数据集 0

没有数据集链接此论文

在数据集的README.md中引用 arxiv.org/abs/2608.24735 以从此页面链接。

引用此论文的Space 0

没有Space链接此论文

在Space的README.md中引用 arxiv.org/abs/2608.24735 以从此页面链接。

包含此论文的收藏夹 0

没有收藏夹包含此论文

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