EvoPolicyGym: оценка итеративного самосовершенствования RL-политик агентами кодирования
University of Macau / CUHK
Вводится парадигма оценки Autonomous Policy Evolution: агент кодирования итеративно редактирует исполняемый код RL-политики, отправляет роллауты на сервер бенчмарков, считывает обратную связь и уточняет политику — всё это в рамках фиксированного бюджета эпизодов. Реализовано на 16 компактных RL-средах (Core-16). GPT-5.5 показывает наилучший совокупный ранговый балл по всем 16 средам.
Почему это важно
Измеряет итеративное самосовершенствование в условиях бюджетных ограничений — более близкий аналог производственных развёртываний агентов, чем бенчмарки с одноразовым выполнением задачи.
Важность: 2/5
Устраняет пробел в методологии оценки агентов, предлагая воспроизводимый тестовый стенд.
Источники
официальный
arXiv:2607.02440 — EvoPolicyGym