Groepsevoluerende Agenten: Open-Einde Zelfverbetering via Ervaringsdeling
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
Samenvatting
Open-ended zelfverbeterende agents kunnen autonoom hun eigen structurele ontwerpen aanpassen om hun capaciteiten te vergroten en de beperkingen van vooraf gedefinieerde architecturen te overstijgen, waardoor de afhankelijkheid van menselijk ingrijpen wordt verminderd. Wij introduceren Group-Evolving Agents (GEA), een nieuw paradigma voor open-ended zelfverbetering, dat een groep agents als fundamentele evolutionaire eenheid beschouwt en expliciete ervaringsdeling en -hergebruik binnen de groep gedurende de evolutie mogelijk maakt. In tegenstelling tot bestaande open-ended zelf-evoluerende paradigma's die een boomstructuur-evolutie hanteren, overkomt GEA de beperking van inefficiënt gebruik van explorerende diversiteit veroorzaakt door geïsoleerde evolutionaire takken. Wij evalueren GEA op uitdagende codeerbenchmarks, waar het significant beter presteert dan state-of-the-art zelf-evoluerende methodes (71,0% vs. 56,7% op SWE-bench Verified, 88,3% vs. 68,3% op Polyglot) en evenaart of overtreft top door mensen ontworpen agent-frameworks (respectievelijk 71,8% en 52,0% op twee benchmarks). Analyse toont aan dat GEA explorerende diversiteit in de vroege fase effectiever omzet in aanhoudende, langetermijnvooruitgang, waardoor het sterkere prestaties bereikt bij hetzelfde aantal geëvolueerde agents. Bovendien vertoont GEA consistente transferbaarheid over verschillende coderingsmodellen en grotere robuustheid, waarbij het framework-niveau bugs oplost in gemiddeld 1,4 iteraties, versus 5 bij zelf-evoluerende methodes.
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.