EVOCHAMBER: Coevolução em Tempo de Teste de Sistema Multiagente nas Escalas Individual, de Equipe e Populacional

Resumo

Argumentamos que a evolução multiagente em tempo de teste não é a evolução de um único agente replicada N vezes. Um aprendiz de agente único pode evoluir apenas seu próprio contexto e memória. Um sistema multiagente adicionalmente evolui quem colabora, como colaboram e como o conhecimento flui pela população. Esses componentes não possuem contrapartida em agentes únicos e podem produzir fenômenos como especialização emergente. No entanto, métodos anteriores de tempo de teste ou confinam as experiências a agentes individuais, abrindo mão da aprendizagem entre agentes, ou as transmitem simetricamente a todos os agentes, apagando a especialização que torna a colaboração valiosa. Apresentamos o EVOCHAMBER, uma estrutura livre de treinamento que instancia a evolução em tempo de teste em três níveis sobre um conjunto de agentes coevoluindo. Em seu núcleo está o CODREAM (Sonho Colaborativo), um protocolo pós-tarefa acionado por falhas ou discordância na equipe, no qual os agentes refletem colaborativamente, destilam insights e os roteiam assimetricamente de agentes fortes para fracos no nicho em que falharam, preservando a especialização enquanto preenchem lacunas de conhecimento. Operadores em nível de equipe montam equipes condicionadas ao nicho e selecionam estruturas de colaboração online. Operadores de ciclo de vida em nível populacional bifurcam, mesclam, podam e semeiam agentes sob pressão de desempenho. Em três fluxos de tarefas heterogêneos com Qwen3-8B, o EVOCHAMBER atinge 63,9% em matemática competitiva, 75,7% em código e 87,1% em raciocínio multidisciplinar, superando a melhor linha de base em 32% relativo em matemática e confirmando a transferência assimétrica entre agentes como o principal motor em análise de ablação. Partindo de vários agentes inicializados de forma idêntica, quatro a cinco especialistas estáveis de nicho surgem espontaneamente, uma assinatura estrutural da evolução multiagente que nenhum aprendiz de agente único pode expressar. Veja nosso código em: 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