🔥 今日值得一读
自进化智能体新突破：预测性改进让性能飙升46%！
Predict Before You Modify: Learning Improvement Dynamics for Self-Evolving Agents
👨💼 主理人解读 · 为什么值得关注
可用于减少Agent修改的昂贵评估次数，开发者能借此在评估前预判并筛选更优的自我修改方案。
📖 AI 总结
本文提出一种面向自演化智能体的预测式改进方法，核心是构建可编辑的“改进动态模型”（IDM）。现有自演化智能体只能在代价高昂的评估完成后才获得修改反馈，且聚合分数难以区分需要不同修复方式的失败类型。IDM 在评估前预测某项修改的任务级结果，并据此指导可选的修订；评估后，历史修改及其观测结果被用于更新 IDM，使预测知识跨代累积，从而让系统同时改进任务求解、修改提议与效果预测三种能力。作者基于 HyperAgents，在多语言编程、论文评审、机器人奖励设计和奥赛级数学评分四个领域进行评测，结果显示该方法在所有领域均优于基线，平均性能提升最高达 46%，且在包含智能体演化与任务评估的同等 token 预算下优势依然保持，并可迁移至未见任务。随着 IDM 演化，预测准确率持续提升，所学预测知识还能迁移到新领域以改善演化过程。
🔑 关键词速览
| Self-evolving Agents | 能够通过反复修改自身并评估效果来自主提升性能的智能体。 |
| Improvement Dynamics Model (IDM) | 一种可编辑的预测模型，用于在评估前预测修改的任务级结果并指导修订。 |
| HyperAgents | 本文所基于的基线智能体框架，用于对比自进化方法的性能。 |
| Predictive Self-Evolution | 在评估前利用预测模型指导修改，从而减少昂贵评估次数的自进化范式。 |
| Matched Token Budgets | 在比较不同方法时，确保智能体进化和任务评估所消耗的 token 总量相同，以进行公平对比。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅