超越端点性能：自进化智能体的过程级评测

自进化智能体将交互反馈转化为记忆、技能等持久产物，这些产物进而指导后续决策。随着产物在经验流中被迭代更新，它们所支撑的能力也可能随之演化。因此，仅看端点性能无法完整刻画自进化过程。过程级评测因而必不可少：它能识别目标能力何时涌现，以及后续更新是强化、保持还是削弱了该能力。基于此，我们提出 EvoPathBench，一个在产物级自进化过程中追踪单项能力的基准。EvoPathBench 固定基础模型与工具，在相继的检查点处冻结进化中的产物，并在留出片段上评估目标能力。该基准使用公开交易数据与校准轨迹评估智能体自进化，测试三种能力：对未见任务的泛化、无关学习后的保持，以及面对新证据的规则适应。实验结果显示：在相似未见任务上的收益在分布偏移下往往减弱；保持损失集中在少数进化路径上；没有任何方法能实现可靠的规则适应。此外，虽然自进化使智能体能够生成在留出集上有可观收益的候选产物，但被选中的更新始终未能兑现这一潜力。这些发现共同确立了能力级过程评估作为分析自进化的基础，并将候选产物的评估与选择定位为关键改进方向。