Авторы представляют Автономную Эволюцию Политик, контролируемую среду оценки, где агент многократно редактирует исполняемую систему политики в рамках фиксированного бюджета взаимодействий, чтобы итеративно улучшать исследованные политики.

  • EvoPolicyGym — это бенчмарк, созданный на основе компактных интерактивных сред RL, предназначенных для оценки этого процесса итеративного улучшения.
  • GPT-5.5 демонстрирует наилучший совокупный рейтинг и лучшие результаты в топ-2 во всех 16 средах набора данных.
  • Бенчмарк предоставляет трассировочную диагностику на уровне траекторий, позволяющую различать, как агенты распределяют бюджет и преобразуют обратную связь в параметрическую настройку.

Авторы утверждают, что сильная автономная эволюция политик зависит от обнаружения механизмов, подходящих для задачи, и уточнения политик при ограниченной обратной связи, а не просто от изолированных побед в задачах.