标签
Space-X 是一个自我演进的空间推理框架,其中执行智能体利用角色专属记忆构建证据链,控制智能体诊断证据链中的断点,两者共同修订工具、技能和决策规则,使四种基础模型在各项基准测试中的准确率均大幅提升。
一项实证 arXiv 研究考察了 /retro——一个让编码 agent 回顾已完成会话并提出 harness 修改建议的 skill,发现虽然能生成大量修改建议,但只有一部分能减少后续任务中的重复工作——这表明 harness 自我进化需要相应的机制来验证和修订这些修改。
FilingLoop 推出了一个用于企业信息披露审查与修订的交互式基准和自演进大语言模型智能体框架,以 380 项美国证券交易委员会(SEC)IPO 审查任务为基础,采用需求级评估,通过无需更新模型权重的程序性学习,将需求满足率从 24.28% 提升至 27.96%。
PhysEvolve 提出一个验证器驱动的自演化框架,利用物理引擎验证模型自生成的可执行世界与反事实仿真,以 GRPO 训练视觉语言模型的因果物理推理能力,在 PhysBench、CausalPhys 和 ContPhy 上取得显著提升,且无需人类干预数据。
Google Cloud AI Research 与 UIUC 合作提出 OO-Harness,将面向对象设计(继承、封装、多态)引入 Agent Harness 的自动演化,通过类层级体系实现专用脚手架的代码复用与安全降级,在三大长程基准上主指标从 61.62% 提升至 77.41%,且在分布外任务上显著优于传统自演化方法。
VibeGame 是一个框架,能够利用 AI 原生游戏引擎从自然语言提示构建完整的 2D 游戏。该引擎提供帧同步运行时控制,并配备一个八智能体对抗团队,将实现与审查分离。框架引入了一种免训练的自我进化机制,将已接受的项目提炼为可复用组件,在 GameCraft-Bench 子集上超越了其他智能体框架。
论文提出了由腾讯与多所高校联合研发的RiseHarness框架,该框架在保持模型权重不变的前提下,通过迭代优化智能体的Harness来处理长时程终端任务,分析成功与失败的执行记录,逐步整合更优的执行机制。
论文提出 DeepEvolve,一个基于未来事件预测的可持续进化智能体系统,通过在动态开放环境中与现实世界结果对齐实现递归自我改进(RSI),其自我改进的预测器在 FutureX 排行榜连续三周排名第一,评级提升最高达 195%。
论文提出 SERA(Self-Evolving Robotic Agent),通过可编辑的 harness 维护任务上下文并利用执行反馈自我进化规划,配合固定的 VLA 执行器来改进长时程机器人操作任务,在 RoboMME 上取得 51.38% 的成功率。
华为 openJiuwen 团队提出 Reward Engine,通过构建由测试用例和评分细则组成的冻结 RewardPack,为开放式工具智能体提供证据驱动的奖励信号,用于自修订与强化学习,在 WorkBuddy Bench Office 和 Claw-Eval 上显著提升通过一致性。
提出了EvolvingBrain,一个用于开放世界多模态智能体自我进化的自适应技能系统,通过分层技能自进化和状态感知自适应执行,在VAB-Minecraft和DiscoveryWorld上提升了任务成功率与泛化能力。
华为开源了多智能体协作框架「九问Swarm」(JiuwenSwarm),采用无内嵌模型的纯Harness设计,支持E2A统一协议、Leader/Teammate分布式执行、确定性工作流SwarmFlow,以及带人工审核的技能自进化与AutoHarness机制。
该论文提出一种将LLM代理的自进化限制在运行时harness(指令文本、工具调用逻辑与原语组合)的框架,模型权重保持固定,使每次适应都成为可审查的diff,并通过哈希链记录的准入门进行管控。模拟实验显示受控双循环仅放行144/7449个候选变更且未恶化误差,而无约束系统放行了309个有害变更。
本文提出 SAGA 框架,通过将交互轨迹逐步抽象为可复用的原则与程序,并在执行中实例化和校验这些原则,形成执行-抽象反馈循环,使 LLM 智能体能在不微调参数的情况下持续从经验中进化,在 ScienceWorld 和 ALFWorld 上取得性能提升。
MIT 团队开源了 JAZ 框架,用纯提示和极简的 invoke 循环替代复杂的记忆附加系统,在长程召回基准上以更低成本超过 Letta (MemGPT) 和 ACE。
论文提出了 VERSE,一个可验证的自进化优化器,利用基于执行的验证机制,同时改进执行器 agent 的 harness 以及自身所用的提示词、工具和流程。在留出的 SWE-rebench 任务上,VERSE 达到了 42.3% 和 37.7% 的准确率,而最强基线仅为 39.2% 和 29.3%。
论文揭示了自我进化推理模型性能崩塌的原因——无效问题与数学上等价的问题重复,并提出 R-Quest,利用有效性与新颖性反馈来维持自我进化,在 12 个基准上经过十轮迭代后,比 R-Zero 高出 17.32 分。
FloWright 提出了一种分层、结构感知的奖励范式,使多智能体工作流中的 LLM 智能体无需额外模型或标注数据即可实现自我进化与协同进化;而 DataWright 则通过自适应数据增强,将现有数据集转化为工作流级别的任务。采用 FloWright 训练的小型开源模型性能最高提升 +7.41%,其中多角色协同进化(+5.03%)优于仅优化单一角色(+2.83%)。
台大李宏毅教授2026年春季机器学习课程更新,聚焦大模型时代的AI Agent与模型自我进化,标志着课程从经典机器学习向前沿大模型技术的彻底转型。
本文介绍了VQS,一种用于自进化视觉-语言模型的方法,它使用程序验证从图像中生成和标注问题,显著提高了准确性和模型性能,优于现有基线。