Los investigadores presentan un marco de arnés de agente autoevolutivo que mejora automáticamente el rendimiento de LLM sin modificar los pesos del modelo. El sistema separa la propuesta de cambios de la asignación de crédito, utilizando código determinista para mediciones y pruebas de significancia para garantizar mejoras confiables.
- Los parches llenan un archivo de diversidad de calidad con puerta de control, indexado por la patología abordada en lugar de las tareas resueltas.
- La generalización se mide en una prueba sellada evaluada solo después de la evolución.
- En siete dominios con un modelo de pesos abiertos congelados, los créditos ganados oscilan entre +9 y +15,5 pp.
- El enfoque retiene del 86% al 147% de la ganancia de entrenamiento, demostrando generalización en lugar de sobreajuste.
El parche ganador rastrea la patología dominante del modelo, mostrando que el ciclo de diagnóstico y crédito se transfiere entre diferentes familias de modelos.