Aspire：モデルは曖昧な目標から自己進化できるのか？

Aspire: Can Models Self-Evolve from Vague Goals?

August 31, 2026

著者: Yuhao Wu, Jingyuan Zhang, Jiajun Shi, Yuxuan Zhang, Xinping Lei, Junting Zhou, Zexuan Wang, Yuchen Wu, Huan Zhou, Duo Wang, Yinzhu Piao, Yongchang Peng, Yunfeng Shi, Jin Chen, Zuo Wang, Jinkai Liu, Jiaheng Liu, Wenxuan Zhang, Shen Yan, Wenhao Huang, Ge Zhang

cs.AI

要旨

人間の学習の重要な形態の多くは、「より優れた物理学者になる」「研究を上達させる」といった曖昧な目標から始まる。学習者は、目標を解釈し、能力のギャップを特定し、学習方法を決定し、実際に改善したかどうかを判断しなければならない。これに対して、LLMの自己進化に関する既存研究は通常、人間が指定したタスクと評価指標から始まり、自己進化を「何を学ぶか、どう学ぶか」の決定ではなく、明示的な目的の最適化に還元している。我々は、曖昧な目標駆動型自己進化のためのベンチマークであるASPIREを提案する。ASPIREは、自然言語による能力目標のみを提供し、下流の評価タスクは非公開のままである。エージェントは、データと更新方法の選択、訓練信号と検証信号の構築、評価タイミングの決定を通じて、目標を具体化しなければならない。ASPIREは、統合された対話環境の中でモデル重みの進化とエージェントハーネスの進化の両方をサポートし、得られたシステムを、6つの目標を対象として専門家が作成した非公開の520項目セットで評価する。我々の実験は、曖昧な目標が探索の労力を目標解釈へと向けさせることを示している。現在のエージェントは、訓練とハーネス編集のループを定型的に完了させるものの、重みレベルの改善は乏しく不安定であり、最も強力な進化ハーネスでも、人手で設計されたQwen-Agent参照実装には及ばない。エージェントはしばしば適合しないデータで訓練し、限定的な自己評価を信頼するため、局所的な改善は非公開評価へ転移せず、探索と訓練を継続すると、それまでの改善が消去され得る。

English

Many important forms of human learning begin with a vague goal, such as "become a better physicist" or "improve at research." Learners must interpret the goal, identify capability gaps, decide how to learn, and determine whether they have actually improved. In contrast, existing work on LLM self-evolution typically begins with tasks and evaluation metrics specified by humans, reducing self-evolution to optimizing an explicit objective rather than deciding what and how to learn. We introduce ASPIRE, a benchmark for vague-goal-driven self-evolution. ASPIRE provides only a natural-language capability goal while downstream evaluation tasks remain hidden. The agent must operationalize the goal by choosing data and update methods, constructing training and validation signals, and deciding when to evaluate. ASPIRE supports both model-weight and agent-harness evolution in a unified interactive environment and evaluates the resulting systems on a hidden, expert-authored set of 520 items spanning six goals. Our experiments show that vague goals redirect search effort toward goal interpretation. Current agents routinely complete training and harness-editing loops, but weight-level gains remain sparse and unstable, and the strongest evolved harness remains below the engineered Qwen-Agent reference. Agents often train on mismatched data and trust narrow self-evaluations, so local gains fail to transfer to hidden evaluation and continued search and training can erase earlier improvements.