2.3 自进化Self-Evolution

pi-autoresearch 为 pi 代理增加“修改—提交—基准—记录—保留或回滚”的自动实验循环，领域不限于机器学习。状态追加写入 `.auto/log.jsonl`，任务提示放在 `.auto/prompt.md`，因此进程重启和上下文刷新后仍能续跑；还支持正确性检查、最大轮数与至少三次测量后的 MAD 置信提示。相比无界自我改写，可复现日志和逐轮 Git 回滚使性能探索具备了基本实验纪律…

作者让 Codex 连续提出、实现和基准测试 QR 分解 kernel，在 14 天和 1,500 多次提交后，把执行时间从约 419,000 微秒降至 1,805 微秒，较基线快 232 倍，并在 183 名参赛者中排第 12。最终方案 `qr_v2` 使用批处理的紧凑 Householder 表示，以 blocked Householder/WY 形式把尾部更新转成 GEMM；103 次刷新最…

Prime Agent 以 recursive language model 处理编程、研究和长程任务：上下文成为变量，子 agent 成为持久 IPython 里的函数调用。Continual Harness 保存 prompt、memory、skill 描述，`/refine` 根据运行证据更新并支持回滚；daemon、heartbeat、schedule 和有限自主模式负责长期运行。READ…

MGM 针对自改写 coding agent 只看单次失败轨迹的问题，引入 reaction-norm mutation，用同一 agent 在多任务上的历史共同决定修改；再用 cross-lineage hybridization，参考另一谱系解决同题的轨迹。论文在加性 fitness landscape 下证明这两种比较信号能加快并改善收敛，随后在 SWE-bench 与 Polyglot 上…

ADIAS 将自动 harness 设计改为 issue-centric：持久状态保留 issue 身份、生命周期、证据及干预结果，再指导下一轮全代码修订。五个交互基准平均超过最强基线 25.2%，移除 issue state 或改回 candidate-centric 策略时最多掉 40.7%。这使“修复进展”成为可累积对象，减少每轮从候选历史重新猜测的浪费。

SkillHEX 把技能改进做成闭环科学实验：提出失败假设，用可执行测试证伪，再以证据引导树搜索保留或放弃分支；密集诊断信号不额外占用环境尝试。

Prime Intellect 介绍一个通过训练和评估循环改进自身策略的 RLM 代理。

Ingot 把 agent skill 的优化过程做成带证据的版本循环：运行评测、收集 trace、提出修改、对比指标，再保留可回滚版本。项目强调优化来自实际执行数据，而不是只让另一个模型重写提示词。它为 Skill 工程补上了实验管理层，真正效果取决于评测集是否代表生产任务。

Autoretrieval 把检索调参做成可重复的闭环：代理只编辑 `experiment.py` 中的分块、嵌入和过滤逻辑，固定的 `run_eval.py` 用字符级重叠计算 F-beta，提升则保留，否则回滚继续搜索。项目还可从私有语料生成“问题—参考高亮”数据，使优化目标贴近实际文档，而非通用榜单。它的亮点是把代理自由度限制在可评分的实验面内；相应局限是字符重叠未必能覆盖语义正确性与下游答…

方法从 human-approved counterexample 出发，把修正后的行为和规则写回 code-shaped sketch，再让 coding agent 修订实现、prompt surface 和回归集。CatSynth 实验中，14 个 frozen candidate cases 有 8 个升级为 counterexamples；从 evolved sketch clean r…

OpenAI 介绍 GPT-Red，一个通过 self-play reinforcement learning 训练的自动红队模型。文章给出的关键数字是：GPT-Red 在间接 prompt injection arena 上达成 84% 攻击成功率，人类红队为 13%；GPT-5.6 Sol 在最难 direct prompt injection benchmark 上比四个月前最佳生产模型的失…

Lilian Weng 讨论自改进 AI 系统中的 harness 设计，把 harness 看作生成任务、评价结果、提供反馈和限制搜索空间的系统组件。文章的关键点是自改进不只靠更强模型，还依赖评测、数据生成、反馈闭环和防 reward hacking 的工程设计。它把“让模型自己变好”拆成可以审视的实验系统。

SEA 把 self-modification 限制在 frozen base model 外的小型 steering adapter 和 versioned harness 中，每次变更必须通过 anytime-valid gate，并在固定 error budget 下产生可审计 certificate。五类 verifier-in-the-loop 机制提供 grader-free sign…

这篇论文把失败轨迹从“丢弃的训练副产物”变成 inference-time agent 改进材料。流程让 LLM 诊断失败模式、提出推理时解决方案，并生成经轻量人工核验的代码补丁来升级 agent，而不走额外 fine-tuning。作者用 OpenCUA-72B 在 OSWorld 上验证，成功率从 42.3% 提升到 48.9%，增加 6.6 个百分点；这个结果适合与 success-only…

Ling/Ring 2.6 报告描述一组从 Ling-2.0 升级而来的 trillion-parameter-scale agentic 模型。Ling-2.6 强调即时响应和每输出 token 能力，Ring-2.6 面向更深 reasoning 与复杂 workflow；架构上使用 Lightning Attention + MLA 的 hybrid linear attention。pos…

Hermes Agent 是 Nous Research 的自改进 agent，README 把内建 learning loop 放在第一位。它能从经验创建 skills、使用中改进 skills、搜索过去会话、维护长期记忆，并支持 Telegram、Discord、Slack、WhatsApp、Signal 和 CLI。它还提供 cron、parallel subagents、RPC 工具调用以…

Anthropic Institute 的报告讨论 AI 辅助自身开发的进展，也就是 recursive self-improvement 从抽象风险议题进入工程测量阶段。结合当天多篇 meta-agent 和 AutoLab 论文，这类报告的焦点已经从“模型能否写代码”转向“能否持续改进 agent 系统、评测和研发流程”。

提出受人类睡眠启发的持续学习范式，让模型把短期 in-context 记忆蒸馏进更稳定的长期参数。论文描述了 Sleep、replay consolidation 和 Dreaming 递归改进过程，用于弥合即时预测能力与长期知识转移之间的差距。它不是单纯外部 memory 检索，而是讨论 self-modification 与参数层 consolidation。这个方向的风险和评估都还会很难，但…

提出 Adaptive Auto-Harness，用于开放任务流里的 agent harness 持续演化。它把与 oracle harness 的差距拆成 evolution loss 和 adaptation loss，并用 stateful multi-agent evolver、harness tree 的解题时路由，以及人类 steering hooks 来降低两类损失。实验覆盖 pre…

论文把 agent 的 harness-updating 与 harness-benefit 拆开评估：前者是能否从执行证据写出有用的 prompt、skill、memory、tool 更新，后者是任务代理能否真正用上这些更新。核心发现是更新质量对模型基础能力并不单调，Qwen3.5-9B 生成的更新可接近 Claude Opus 4.6；收益则呈非单调形态，中档模型最受益。局限也很清楚：弱模型常…

SCOPE 针对开放式任务没有标准答案、依赖 curated prompts 或 frontier judge 的问题，设计 Challenger 生成 document-grounded tasks，Solver 多轮检索作答，冻结初始模型生成 rubric 并评分。作者在 Qwen2.5、Qwen3、OLMo-3 三个 7-8B instruction-tuned models 上报告，八个开…