09:48
官方账号arXiv cs.AI@Wenxiao Wang, Priyatham Kattakinda, Soheil Feizi
推荐理由：这篇论文用Terminal-Bench 2.0测试三种Agent优化方法，发现只有RELAI-VCL能持续累积提升，终身平均76.4%远超其他。做智能体持续学习的人必看。
RELAI-VCL
共 1 条相关 AI 资讯
7月16日
09:48
大多数智能体优化研究仅测试一次性固定基准，忽略连续优化场景。本文使用Terminal-Bench 2.0的困难任务设计两阶段持续学习评估，对比GEPA、Meta Harness和RELAI-VCL三种方法。静态评估中三者均提升基线（58.7%），但引入新任务后分化明显：RELAI-VCL既正向转移又持续改进，每阶段通过率最高，终身平均达76.4%，远超GEPA（66.0%）、Meta Harness（64.6%）和基线（58.7%）。关键发现是优化增益仅在优化循环内置回归控制时才能累积。