When Self-Evolution Backfires: Pre-Commit Gating against Skill Contamination in LLM Agents
arxiv.org原文 ↗
技能蒸馏一旦把缺陷带进运行上下文,后续技能会继承其错误,事后删源技能无法抹除后代污染。VaG 以结构有效性、行为无害性、语义一致性三个互补批评器逐项门控,再在高层按边际收益选子集;Terminal-Bench 2 上达到 72% pass@1,技能池只有无门控方案约五分之一。冻结后的技能还能迁移到四个 backbone 和第二基准,说明 admission gate 比回滚更关键。
–浏览
评论 · Comments