HGM-Dual 提出面向规划智能体的谱系感知 harness 优化框架
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载为何规划任务更难优化
论文把 harness 优化定义为改进智能体的提示、工具与工作流，这是在模型冻结或闭源时提升智能体表现的主要手段。Darwin–Gödel Machine 与 Huxley–Gödel Machine 这类方法依靠递归自我改进，但它们主要针对编程场景设计：在编程中，改进智能体所需的能力与被改进的能力高度重合，自我修改容易产生有效进展。规划任务打破了这种一致性——智能体需要产出一串工具调用，并让这些调用共同满足彼此牵制的约束。在这种场景下，开放式自我修改会反复尝试无效改动，评估预算被大量消耗。
谱系上下文与双路径生成
HGM-Dual 的第一项设计是把智能体演化写成谱系感知上下文：记录每个祖先做了哪些改动、哪些行为随之改善或退化、哪些修改没有效果。这样编辑器拿到的是明确的“改动—结果”对应关系，而不是一堆无序的历史智能体存档。第二项设计是错误条件下的双路径子代生成：对每个被选中的父代，既生成一个保留开放式探索的通用子代，也生成若干专用子代，专门针对父代排名最高的约束违反所对应的 harness 组件下手，把评估预算集中到更可能出问题的环节。
量化收益与适用范围
实验结果显示，HGM-Dual 在案例准确率上相对最强基线最高提升 14.45%，同时以少 2 至 4 倍的评估预算达到 HGM 各变体的最终表现。也就是说，收益既体现在效果上限，也体现在达到同等效果所需的评估开销上。论文将其定位为预算高效的规划智能体 harness 演化框架，适用于依赖冻结或闭源 LLM、无法直接改模型权重的智能体构建场景。材料未披露具体任务集、基线配置与消融细节。
为什么值得看
在闭源模型上做智能体优化时，评估预算往往是瓶颈；该工作给出可复用的诊断式演化思路与量化收益。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。