SSR 让任务池扩大时智能体框架演化性能持续提升。
资讯摘要
论文指出，智能体框架演化依赖任务执行经验来优化指令、工具与控制流，但任务池扩大时现有方法性能反而下降，原因是优化过程中的证据选择欠佳。作者提出 Successive Scale Racing（SSR），按任务质量与覆盖度构造多样证据组合，并在小算力预算下对候选框架进行竞赛式筛选。作者报告在三个基准的六种配置上均取得最优结果，任务池从 40 增至 200 时通过率由 64.3% 升至 68.3%，验证执行减少 60%。
要点速读
- 论文发现任务池扩大时现有智能体框架演化方法性能下降，归因于证据选择不优。
- SSR 基于任务质量与覆盖度构造证据组合，并在小算力预算下竞赛候选框架。
- 作者报告三个基准六种配置均最优，任务池 40→200 时通过率 64.3%→68.3%，验证执行减少 60%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。