标签
该推文介绍了一项关于自我改进智能体的研究，将运行框架的自我修改方法映射为进化算法，并提出准入规则：只有在全新的独立任务上以一定幅度超越当前版本时，才接受修改，以防止过拟合与技能遗忘。
这篇关于 Evo² 的文章提出将自进化 Agent 的两条路径（修改模型权重与修改 Harness）连接起来，让 Proposer 与 Reflector 双角色进入持续训练循环，在 Polyglot 上达到 82.1%、SWE-bench Verified 上达到 48.3%，且演化出的 Harness 可直接迁移复用。
本文提出了 EvoGen-Harness，一个与生成器无关的框架，围绕冻结的文本到图像模型进化多个外部职责，通过 Trace 方法实现故障归因与协同搜索，在基准测试上相比现有的单维度适配基线取得了显著提升。
Video-RSI 提出一种通过 harness 进化实现视频理解智能体递归自我改进的框架，无需更新模型权重，通过重新审视训练视频、收集证据并诊断失败来迭代改进提示、工具和记忆，从而在更少帧处理量下提升准确率。
本文介绍了CHASE，一种用于AI智能体评估中测试框架演进的反事实引导方法，该方法通过约束生成和有效性检查缓解基准测试捷径，增强可靠性。
ModularRSI 提出了一种模块化、可泛化的递归式自我改进框架，用于智能体框架。该框架利用跨任务的对比学习独立演进模块，提升在未见任务上的性能。
本文提出一种在线策略专家校正流程，用于协同演化辅助框架与模型，使弱AI模型能通过纠正失败回合而非完全模仿来改进，保持兼容性并提升企业代理任务性能。
JIT-Agent 是一个开源的 27B 模型，它为 AI 代理动态生成任务特定的框架，通过改进的 token 效率超越手工构建的系统。
本文介绍了EVOHARNESSBENCH，一个用于评估在工具、技能和代理框架不断演进下的LLM代理的基准测试，揭示了在保持和适应方面的差距。
本技术报告介绍了Harness-Aware Training（HAT），用于训练紧凑的AI代理，使其能随配置变化而进化，提升性能并降低实时互动中的延迟，适用于直播电商数字虚拟形象。
介绍 Evo-Bench，这是首个用于评估语言模型在搜索、办公和通用智能体领域中内在工具框架进化能力的基准，表明顶级模型取得了显著进步，但在办公工作流上仍面临挑战。
本文介绍了层级自改进（HSI），这是一个通过层级自修改演化任务特定执行框架来增强冻结LLM代理的框架，在中等难度任务上取得了显著提升，但受限于反馈质量和骨干模型能力。
本文重新评估了 LLM 智能体自动框架演进的方法论，指出其收益可能源于额外的测试时搜索而非改进的框架设计，并且在相同基准上的评估存在过拟合风险。实验表明，框架演进并不始终优于更简单的测试时扩展方法。
本文重新思考了智能体自动工具框架进化应如何评估，指出性能提升可能源于增加的计算量而非真正的改进，并且进化后的工具框架难以泛化到未见过的任务。