arXiv cs.AI· Wenqian Ye, Ziwei Guan, Zi Yang, Shivani Modi, Cici Cong Wu, Yunlong He, Yuxin Chen, Zhengyu Zhang, Liang Luo, Venkatesh Ranganathan, Jianhui Sun, Yantao Yao, Wenlin Chen, Buyun Zhang, Ellie Dingqiao Wen, Henry Kautz, Aidong Zhang·· 3 天前AI 评分40
HACE：异构智能体协同进化框架，让专用基础模型与 LLM 智能体互相促进
Heterogeneous Agentic Coevolution
AI 导读
研究者提出异构智能体协同进化框架 HACE，通过相互学习让专用基础模型与 LLM 智能体共同进化：智能体以 on-policy 强化自训练方式学习，并由当前专用模型的已验证性能增益引导，其探索又反过来指导专用模型的监督学习。HACE 还用进化搜索优化两者的交互机制，在推荐系统、蛋白质功能预测和晶体稳定性预测三个领域的主任务指标上均优于所评估的自改进方法。
正文 · AI 翻译
作者：Wenqian Ye、Ziwei Guan、Zi Yang、Shivani Modi、Cici Cong Wu、Yunlong He、Yuxin Chen、Zhengyu Zhang、Liang Luo、Venkatesh Ranganathan、Jianhui Sun、Yantao Yao、Wenlin Chen、Buyun Zhang、Ellie Dingqiao Wen、Henry Kautz、Aidong Zhang
摘要：自我改进型 LLM 智能体的最新进展展示了 AI 系统驱动自身智能的潜力。然而，许多特定领域应用依赖于具备强大领域专业知识但仍需人工设计改进的专用基础模型。将递归式自我改进扩展到这些模型面临一个关键挑战：随着专用模型不断改进，用于推动其进步的策略也必须随之调整。为应对这一挑战，我们提出了异构智能体协同进化（HACE），一个通过相互学习共同进化专用基础模型与 LLM 智能体的框架。HACE 通过监督学习改进专用模型，同时以当前专用模型上经验证的性能提升为指导，采用同策略强化自我训练来训练智能体。反过来，智能体的探索又为后续的专用模型训练提供信息，使两个模型能够相互适应彼此的进展。为维持这种相互学习，HACE 进一步采用进化搜索来优化它们的交互框架，随着模型能力的发展调整其信息交换和训练经验选择的方式。我们在三个具有挑战性的领域评估了 HACE：推荐系统、生物学中的蛋白质功能预测以及材料发现中的晶体稳定性预测。我们表明，HACE 在所有三个领域的主要任务指标上均优于所评估的自我改进方法。这些结果揭示了异构协同进化作为一种通过与学习智能体相互交互来改进专用基础模型的通用方法的潜力。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.16078 [cs.AI] |
| （或 arXiv:2610.16078v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16078 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Wenqian Ye [查看邮箱]
[v1]
2026年10月12日星期一 02:34:01 UTC（5,562 KB）
来源：arXiv cs.AI · arxiv.org