Task-CoEvolve：通过自适应任务选择优化 Agent
tokenbender · x · 2026-08-22
论文《Task-CoEvolve》提出了一种通过自适应验证任务选择来高效优化 LLM Agent Harness 的方法。
核心机制：
- 问题：传统方法在每次迭代中评估完整的固定验证集，成本高昂。
- 创新：仅关注模型表现不一致（有分歧）的 20% 任务。
- 效果：利用方差加权采样聚焦于 Agent 能力边界的任务，能以更低的计算成本更快地驱动 Harness 向最优解演化。
- 实验：在 Terminal-Bench 2.1 等任务中表现出优于固定集的性能。
「编程与Agent」频道最新
- OpenAI 展示用语音在 Codex 实现免手写代码 — OpenAIDevs · 2026-08-24
- Swarms：企业级多智能体编排框架开源 — KyeGomezB · 2026-08-24
- 研究揭示 AI Agent 行为：六成阅读量来自指令与笔记 — dair_ai · 2026-08-24
- Claude 自主验证 43 个数学模块，AI 攻克理论物理难题 — Tkaraletsos · 2026-08-24
- Compound Engineering 插件重写：上下文体积缩减 70% — iamrobotbear · 2026-08-24
- Lighter 证明器挑战突破 10 万 TPS，两周提升超十倍 — econoar · 2026-08-24