Para penulis memperkenalkan Autonomous Policy Evolution, sebuah pengaturan evaluasi terkontrol di mana agen secara berulang mengedit sistem kebijakan yang dapat dieksekusi dalam anggaran interaksi tetap untuk secara iteratif meningkatkan kebijakan yang dieksplorasi.

  • EvoPolicyGym adalah benchmark yang dibangun dari lingkungan RL interaktif kompak yang dirancang untuk menilai proses peningkatan iteratif ini.
  • GPT-5.5 mencapai skor peringkat agregat terkuat dan kinerja dua teratas di seluruh 16 lingkungan dalam suite tersebut.
  • Benchmark ini menyediakan diagnostik tingkat lintasan yang membedakan bagaimana agen mengalokasikan anggaran dan mengonversi umpan balik menjadi penyetelan parameter.

Para penulis berargumen bahwa evolusi kebijakan otonom yang kuat bergantung pada penemuan mekanisme yang sesuai dengan tugas dan penyempurnaan kebijakan di bawah umpan balik terbatas, bukan hanya kemenangan tugas yang terisolasi.