作者提出了自主策略演化（Autonomous Policy Evolution），这是一种受控的评估设置，智能体在固定的交互预算内反复编辑可执行策略系统，以迭代改进已探索的策略。

  • EvoPolicyGym 是一个基于紧凑交互式强化学习环境构建的基准，旨在评估这一迭代改进过程。
  • GPT-5.5 在所有 16 个环境中取得了最强的综合排名分数和前五名表现。
  • 该基准提供了轨迹级别的诊断信息，用于区分智能体如何分配预算并将反馈转化为参数调整。

作者认为，强大的自主策略演化依赖于发现适合任务的机制，并在有限的反馈下优化策略，而不仅仅是孤立地赢得单个任务。