EVOCHAMBER: testtijd-co-evolutie van een multi-agentsysteem op individueel, team- en populatieniveau

Samenvatting

Wij stellen dat multi-agent testtijdsevolutie niet simpelweg een enkelvoudige agent-evolutie is die N keer wordt gerepliceerd. Een enkelvoudige lerende agent kan alleen zijn eigen context en geheugen evolueren. Een multi-agentsysteem evolueert bovendien wie samenwerkt, hoe zij samenwerken en hoe kennis door de populatie stroomt. Deze componenten hebben geen tegenhanger in een enkelvoudig agens en kunnen verschijnselen zoals opkomende specialisatie voortbrengen. Toch beperken eerdere testtijdmethoden ervaringen tot individuele agenten, waardoor leren over agenten heen verloren gaat, of ze zenden symmetrisch uit naar alle agenten, waarmee de specialisatie die samenwerking waardevol maakt, wordt uitgewist. Wij presenteren EVOCHAMBER, een trainingsvrij raamwerk dat testtijdsevolutie op drie niveaus in een co-evoluerende agentenpool instantiëert. De kern ervan is CODREAM (Collaborative Dreaming), een post-taakprotocol dat wordt geactiveerd bij teamfalen of onenigheid, waarbij agenten gezamenlijk reflecteren, inzichten destilleren en deze asymmetrisch routeren van sterke naar zwakke agenten op de mislukte niche, waarbij specialisatie behouden blijft terwijl kennisleemtes worden opgevuld. Operatoren op teamniveau stellen niche-geconditioneerde teams samen en selecteren online samenwerkingsstructuren. Levenscyclusoperatoren op populatieniveau vorken, voegen samen, snoeien en zaaien agenten onder prestatiedruk. Op drie heterogene taakstromen met Qwen3-8B bereikt EVOCHAMBER 63,9% op competitiewiskunde, 75,7% op code en 87,1% op multidomein redeneren, waarmee het de beste basislijn met 32% relatief overtreft op wiskunde en asymmetrische overdracht tussen agenten bevestigt als de primaire aandrijver in ablatie. Vanuit meerdere identiek geïnitialiseerde agenten ontstaan spontaan vier tot vijf stabiele nichespecialisten, een structurele signatuur van multi-agensevolutie die geen enkelvoudige lerende agent kan vertonen. Zie onze code op: https://github.com/Mercury7353/EvoChamber

English

We argue that multi-agent test-time evolution is not single-agent evolution replicated N times. A single-agent learner can only evolve its own context and memory. A multi-agent system additionally evolves who collaborates, how they collaborate, and how knowledge flows across the population. These components have no single-agent counterpart and can produce phenomena such as emergent specialization. Yet prior test-time methods either confine experiences to individual agents, forfeiting cross-agent learning, or broadcast symmetrically to all agents, erasing the specialization that makes collaboration valuable. We present EVOCHAMBER, a training-free framework that instantiates test-time evolution at three levels over a coevolving agent pool. At its core is CODREAM (Collaborative Dreaming), a post-task protocol triggered on team failure or disagreement, in which agents collaboratively reflect, distill insights, and route them asymmetrically from strong to weak agents on the failed niche, preserving specialization while filling knowledge gaps. Team-level operators assemble niche-conditioned teams and select collaboration structures online. Population-level lifecycle operators fork, merge, prune, and seed agents under performance pressure. On three heterogeneous task streams with Qwen3-8B, EVOCHAMBER reaches 63.9% on competition math, 75.7% on code, and 87.1% on multi-domain reasoning, outperforming the best baseline by 32% relative on math and confirming asymmetric cross-agent transfer as the primary driver in ablation. Starting from several identically initialized agents, four to five stable niche specialists spontaneously emerge, a structural signature of multi-agent evolution that no single-agent learner can express. See our code at: https://github.com/Mercury7353/EvoChamber