Agents à évolution collective : Auto-amélioration ouverte par le partage d'expérience
Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing
February 4, 2026
Auteurs: Zhaotian Weng, Antonis Antoniades, Deepak Nathani, Zhen Zhang, Xiao Pu, Xin Eric Wang
cs.AI
Résumé
Les agents auto-améliorants ouverts peuvent modifier de manière autonome leurs propres conceptions structurelles pour faire progresser leurs capacités et dépasser les limites des architectures prédéfinies, réduisant ainsi la dépendance à l'intervention humaine. Nous présentons les Agents à Évolution Collective (AEC), un nouveau paradigme pour l'auto-amélioration ouverte, qui considère un groupe d'agents comme l'unité évolutive fondamentale, permettant un partage et une réutilisation explicites de l'expérience au sein du groupe tout au long de l'évolution. Contrairement aux paradigmes existants d'auto-évolution ouverte qui adoptent une évolution arborescente, les AEC surmontent la limitation d'une utilisation inefficace de la diversité exploratoire causée par des branches évolutives isolées. Nous évaluons les AEC sur des benchmarks de codage exigeants, où ils surpassent significativement les méthodes d'auto-évolution les plus avancées (71,0 % contre 56,7 % sur SWE-bench Verified, 88,3 % contre 68,3 % sur Polyglot) et égalent ou dépassent les meilleurs frameworks d'agents conçus par l'homme (71,8 % et 52,0 % sur deux benchmarks respectivement). L'analyse révèle que les AEC convertissent plus efficacement la diversité exploratoire initiale en une progression soutenue à long terme, obtenant des performances supérieures avec un nombre équivalent d'agents évolués. De plus, les AEC présentent une transférabilité constante entre différents modèles de codage et une plus grande robustesse, corrigeant les boges au niveau du framework en 1,4 itération en moyenne, contre 5 pour les méthodes d'auto-évolution.
English
Open-ended self-improving agents can autonomously modify their own structural designs to advance their capabilities and overcome the limits of pre-defined architectures, thus reducing reliance on human intervention. We introduce Group-Evolving Agents (GEA), a new paradigm for open-ended self-improvements, which treats a group of agents as the fundamental evolutionary unit, enabling explicit experience sharing and reuse within the group throughout evolution. Unlike existing open-ended self-evolving paradigms that adopt tree-structured evolution, GEA overcomes the limitation of inefficient utilization of exploratory diversity caused by isolated evolutionary branches. We evaluate GEA on challenging coding benchmarks, where it significantly outperforms state-of-the-art self-evolving methods (71.0% vs. 56.7% on SWE-bench Verified, 88.3% vs. 68.3% on Polyglot) and matches or exceeds top human-designed agent frameworks (71.8% and 52.0% on two benchmarks, respectively). Analysis reveals that GEA more effectively converts early-stage exploratory diversity into sustained, long-term progress, achieving stronger performance under the same number of evolved agents. Furthermore, GEA exhibits consistent transferability across different coding models and greater robustness, fixing framework-level bugs in 1.4 iterations on average, versus 5 for self-evolving methods.