EVOCHAMBER：个人、团队和群体规模的多智能体系统的测试时协同进化

arXiv:2605.11136v1 公告类型：新 摘要：我们认为多智能体测试时演化并不是单智能体演化复制 N 次。单代理学习器只能发展自己的上下文和记忆。多智能体系统还进一步发展了谁协作、协作方式以及知识如何在人群中流动。这些组件没有单一代理对应物，并且可以产生诸如紧急专业化之类的现象。然而，以前的测试时方法要么将经验限制在单个代理中，从而丧失跨代理学习，要么向所有代理对称地广播，从而消除了使协作有价值的专业化。我们提出了 EVOCHAMBER，这是一个免训练框架，可在共同进化代理池的三个级别上实例化测试时进化。其核心是 CODREAM（协作梦想），这是一种在团队失败或分歧时触发的任务后协议，在该协议中，智能体协作反思、提炼见解，并在失败的领域从强智能体到弱智能体不对称地路由它们，在保持专业化的同时填补知识空白。团队级运营商组建适合特定环境的团队并在线选择协作结构。群体级生命周期操作员在性能压力下分叉、合并、修剪和种子代理。在使用 Qwen3-8B 的三个异构任务流上，EVOCHAMBER 在竞争数学上达到 63.9%，在代码上达到 75.7%，在多域推理上达到 87.1%，在数学上比最佳基线高出 32%，并确认非对称跨智能体传输是消融的主要驱动力。从几个相同初始化的智能体开始，四到五个稳定的利基专家自发出现，这是单智能体学习者无法表达的多智能体进化的结构特征。请参阅我们的代码：https://github.com/Mercury7353/EvoChamber