HGM-Dual 用谱系上下文与双路径子代降低规划智能体 harness 演化成本。
资讯摘要
论文提出 HGM-Dual，一种面向规划智能体的诊断引导式 harness 演化框架。作者指出，Darwin–Gödel Machine 与 HGM 等递归自我改进方法主要面向编程任务，而规划任务需要满足相互制约的约束，开放式自我修改容易反复探索无效改动、消耗大量评估预算。HGM-Dual 用谱系感知上下文记录祖先改动及其效果归因，并按错误条件生成通用子代与针对高排名约束违规的专用子代。作者报告其在案例准确率上相对最强基线最高提升 14.45%，并以 2 至 4 倍更少的评估预算达到 HGM 变体的最终表现。
要点速读
- 论文将智能体演化表示为谱系感知上下文，记录各祖先改动了什么、哪些行为改善或退化、哪些修改无效。
- 提出错误条件双路径子代生成：为每个父代生成保留开放探索的通用子代，以及针对最可能致错组件的专用子代。
- 作者报告案例准确率相对最强基线最高提升 14.45%，并以 2x–4x 更少评估预算匹配 HGM 变体最终表现。
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。