" VeriEvolve: Assessor-First Evolution for Tool-Use Agents

arXiv:2610.29005v1 Аннонс Тип: перекрестное резюме: Главным препятствием для самосовершенствования агентов является отсутствие надежного сигнала готовности к реалистическим государственным задачам. Мы введем /текстск {VeriEvolve}, систему оценки-первой эволюции, которая создает этот отсутствующий слой оценки до оптимизации агента. На основании инструкции по задаче VeriEvolve синтезирует инструктивные проблемные состояния, а также исполнимый оценщик, который проверяет их. Во время каждого цикла эволюции рабочих процессов оценщик замерзает и служит сигналом физической пригодности. В период между циклами VeriEvolve пересматривает оценку, преобразуя конечный уровень сильных и слабых в парочку контрфактических тестов. В рамках всех 30 задач системы MCPMark FileSystem VeriEvolve строит 30 оценщиков со 141 проблемным штатом, достигнув 141/141 соглашения по генерированным номерам и 113/122 соглашения об удержанных государствах, подготовленных агентами-исполнителями. Экономия, осуществляемая под руководством специалистов по оценке, повышает степень успеха с 6/30 до 18/30 fo