グループ進化型エージェント：経験共有によるオープンエンドな自己改善
Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing
February 4, 2026
著者: Zhaotian Weng, Antonis Antoniades, Deepak Nathani, Zhen Zhang, Xiao Pu, Xin Eric Wang
cs.AI
要旨
オープンエンドな自己改善エージェントは、自身の構造設計を自律的に変更し、能力を進化させ、事前定義されたアーキテクチャの限界を超えることで、人間の介入への依存を軽減することができる。本論文では、オープンエンドな自己改善の新たなパラダイムとして、グループ進化エージェント（GEA）を提案する。GEAはエージェントの集団を基本的な進化単位とし、進化過程を通じて集団内での明示的な経験共有と再利用を可能にする。既存の木構造進化を採用するオープンエンド自己進化パラダイムとは異なり、GEAは分離された進化分岐による探索的多様性の非効率な利用という限界を克服する。我々はGEAを困難なコーディングベンチマークで評価し、従来の最先端自己進化手法（SWE-bench Verifiedで71.0% vs. 56.7%、Polyglotで88.3% vs. 68.3%）を大幅に上回り、人間が設計したトップレベルのエージェントフレームワーク（2つのベンチマークでそれぞれ71.8%および52.0%）にも匹敵あるいは凌駕する性能を示した。分析の結果、GEAは初期段階の探索的多様性を持続的かつ長期的な進歩へとより効果的に変換し、同数の進化エージェント数においても強力な性能を達成することが明らかになった。さらに、GEAは異なるコーディングモデル間での一貫した転移性と高い頑健性を示し、フレームワークレベルのバグを平均1.4回の反復で修正した（自己進化手法では5回）。
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.