arXiv cs.AI· Minhua Lin, Hanqing Lu, Zhan Shi, Bing He, Rui Mao, Zhiwei Zhang, Zongyu Wu, Xianfeng Tang, Hui Liu, Zhenwei Dai, Rui Zhang, Xiang Zhang, Suhang Wang, Benoit Dumoulin, Jian Pei·· 11 小时前AI 评分31
立场文章：智能体演化是 LLM 持续进化的路径
Position: Agentic Evolution is the Path to Evolving LLMs
AI 导读
一篇立场文章提出，LLM 从固定训练集走向开放真实环境后，静态训练无法跟上部署环境变化，需要新增“演化”这一扩展轴。作者主张将演化从固定流程升级为自主演化智能体，并提出 A-Evolve 框架，把部署时改进视为对持久系统状态的目标导向优化。文章还提出演化扩展假设：适应能力随分配给演化的算力扩展，代码已公开。
正文 · AI 翻译
作者：Minhua Lin、Hanqing Lu、Zhan Shi、Bing He、Rui Mao、Zhiwei Zhang、Zongyu Wu、Xianfeng Tang、Hui Liu、Zhenwei Dai、Rui Zhang、Xiang Zhang、Suhang Wang、Benoit Dumoulin、Jian Pei
摘要：随着大语言模型（LLM）从精心整理的训练集走向开放式的真实世界环境，一个根本性局限随之显现：静态训练无法跟上持续变化的部署环境。扩大训练时和推理时的计算量可以提升静态能力，却无法弥合这一训练—部署差距。我们认为，要解决这一局限，需要一条新的扩展轴——演化。现有的部署时适应方法，无论是参数微调还是启发式记忆积累，都缺乏诊断失败并产生持久改进所需的策略性自主能力。我们的立场是，智能体演化代表了 LLM 适应的必然未来，它将演化本身从固定流水线提升为自主的演化智能体。我们在一个通用框架 A-Evolve 中实现了这一愿景，该框架将部署时的改进视为对持久系统状态进行的有目的、目标导向的优化过程。我们进一步提出演化扩展假说：适应能力随分配给演化的计算量而扩展，从而使智能体演化成为通往真实世界中持续、开放式适应的一条可扩展路径。我们的代码已公开于 此 https URL。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2602.00359 [cs.AI] |
| （或 arXiv:2602.00359v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.00359 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Minhua Lin [查看邮箱]
[v1]
2026年1月30日星期五 22:15:58 UTC（12,158 KB）
[v2]
2026年3月13日星期五 22:12:22 UTC（12,156 KB）
[v3]
2026年11月4日星期三 21:53:37 UTC（12,170 KB）
来源：arXiv cs.AI · arxiv.org