arXiv cs.CL· Weixiang Zhao, Yichen Zhang, Yanyan Zhao, Jinming Bai, Bin Liang, Ruifeng Xu, Bing Qin, Ting Liu·· 11 小时前AI 评分42
自进化智能体只能修复失败，难以从失败中泛化
Self-Evolving Agents Can Repair Failures but Struggle to Generalize from Them
AI 导读
研究通过 Cold-Start Failure-Only Evolution（CFOE）设定发现，自进化 LLM 智能体存在一致的“修复—泛化”差距：仅凭失败经验能修复此前失败的任务，却很少在未见任务上带来持续提升。该结论覆盖三种自进化范式、多个 LLM 主干和四个交互环境。放松 CFOE 后，验证器反馈与额外交互收益有限，而成功轨迹能显著改善迁移。
正文 · AI 翻译
摘要：经验驱动的自我进化为大语言模型（LLM）智能体通过交互持续改进提供了一条有前景的路径。然而，现有方法往往依赖成功的轨迹或外部评估信号，因此尚不清楚在缺乏此类正向锚点时智能体能否进化。我们通过冷启动仅失败进化（CFOE）研究这一问题，其中智能体在开始时没有积累的经验，仅从失败的交互中学习，且没有特权指导。在三种自我进化范式、多个 LLM 骨干模型和四个交互环境中，我们发现了一致的修复-泛化差距：从失败中获得的经验可以帮助修复先前失败的任务，但很少能在未见过的任务上带来持续改进。进一步分析表明，智能体常常误解失败，而即使是被验证为正确的经验也难以迁移。放宽 CFOE 后发现，验证器反馈和额外交互带来的收益有限，而成功轨迹则显著改善了迁移。这些发现表明，当前的自我进化智能体更擅长修复已观察到的失败，而不是从失败中构建可泛化的能力。
| 评论： | 28 页，9 幅图，6 张表。Weixiang Zhao 和 Yichen Zhang 贡献相同 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.22984 [cs.CL] |
| （或 arXiv:2610.22984v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22984 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yichen Zhang [查看邮箱]
[v1]
2026 年 10 月 16 日星期五 06:10:01 UTC（1,772 KB）
来源：arXiv cs.CL · arxiv.org