一项针对 Terminal-Bench 2.0 的研究评估了智能体优化增益是否随时间复合，通过比较 GEPA、Meta Harness 和 RELAI 的可验证持续学习 (RELAI-VCL)。该研究测试了经过优化的智能体能否在新任务上提升表现，同时不削弱之前的增益。

  • 当引入新任务时，GEPA 的优化智能体的迁移效果低于未优化的基线。
  • Meta Harness 迁移良好，但在第二个优化预算下未能进一步提升。
  • RELAI-VCL 是唯一实现正向迁移并持续改进的方法，其终身平均通过率达到了 76.4%，而 GEPA 为 66.0%，Meta Harness 为 64.6%。

作者得出结论，只有当回归控制被内置到优化循环中以防止捷径解决方案时，优化增益才会复合。