Evo²: Evolving the Evolver through Weight-Harness Co-Evolution

论文解决了什么问题

现有的智能体自我进化方法通常将模型权重更新与外壳（提示词、工具和控制流）修改视为两个独立的方向。这种割裂的做法忽略了模型能力与外壳修改之间的相互依赖关系：模型的能力决定了修改的质量，而外壳修改的执行结果本可以为模型提供宝贵的训练信号。本文旨在探索如何将这两种进化过程连接起来，使负责进化的模型能够从外壳的修改与执行反馈中持续学习。

核心方法

Evo^2 采用统一的双角色流水线，由共享参数的单一策略同时担任生成外壳编辑的 Proposer 和诊断执行效果的 Reflector。系统通过树状搜索探索外壳变体，并引入交叉搜索机制，允许 Reflector 从其他分支提取有效策略并指导 Proposer 进行整合。在训练端，EvoTIDE 流水线通过编辑提取和前缀延续恢复不完整轨迹，结合监督微调与交替的组相对策略优化（GRPO）对模型进行联合训练。

现有的自我进化方法如 SICA 仅沿单一谱系修改自身实现，DGM 和 HGM 侧重于维护档案或基于后代估计选择父代，而 GEA 关注并发智能体间的经验共享。与这些仅修改外壳或独立更新权重的方法不同，Evo^2 将外壳搜索作为进化器自身的训练信号，通过双角色共享参数和交叉搜索机制，实现权重与外壳的协同进化。

实验结论

• 在 Polyglot 和 SWE-bench Verified 编程基准上，Evo^2 分别取得 82.1% 和 48.3% 的成绩，显著超越最强基线的 62.6% 和 41.0%。
• 在 SWE-bench Verified 上进化出的外壳，无需进一步进化即可直接迁移至 Polyglot 和 LiveCodeBench，并取得所有方法中的最高分。
• 应用于固定权重的闭源模型 GPT-5-mini 时，Evo^2 将其在 SWE-bench Verified 的 60 题子集上的解决率从 24.4% 提升至 48.3%。
• 在 LoCoMo 和 LongMemEval 记忆任务中，Evo^2 进化出的外壳分别取得 60.4 的 F1 分数和 71.5% 的准确率，优于所有基线。
• 在 Polyglot 和 SWE-bench Verified 上分别达到 82.1% 和 48.3%，显著超越最强基线。

局限性与证据边界

适合谁阅读