№自我进化·general
自我进化
别名
- 首次出现
- 2026-05-22
- 最近出现
- 2026-06-08
- 累计提及
- 8
§ 01综述
近年来，AI系统的自我进化能力成为研究热点，旨在让模型或智能体在持续交互中不断优化自身性能，减少人工干预。近期多项工作从不同角度探索了这一方向。
Socratic-SWE通过问题解决历史训练编程智能体：该研究提出一种方法，利用智能体过去解决编程问题的记录作为训练数据，使其能够从自身经验中学习，实现持续改进。
微软SkillOpt提升智能体技能质量：微软的SkillOpt框架允许智能体自主优化其技能库，实验显示技能质量提升了20分，表明无需外部标注即可实现性能突破。
NVIDIA推出的Self-Evolving Hermes Agents：专为企业场景设计，宣称智能体可“越用越好”，通过部署后的反馈循环自动调整行为策略。
关键争议：大模型并非最佳进化器：有观点指出，当前大型语言模型并不总是作为“进化器”的最佳选择，较小的专用模型或混合方法在某些情况下表现更优且资源消耗更低。
MiniMax M3系列及M2论文：预告新一代模型系列，其M2论文明确展示了自我进化能力，通过迭代训练使模型在多个基准上持续提升。
MUSE-Autoskill的技能生命周期管理：提出让智能体通过“技能生命周期”（包括发现、习得、精炼和废弃）自主管理技能，实现动态适应环境变化。
MOSS系统的源码级重写：MOSS智能体能够通过修改自身源代码来适应新任务，这种“元修改”模式代表了自我进化的一种激进方向。
当前焦点在于平衡自我进化的能力与稳定性——过度自适应可能导致遗忘或行为扭曲。未来观察点包括：如何设计安全的进化边界、进化效率与资源开销的权衡，以及此类系统在真实复杂环境下的长期表现。