EVOCHAMBER：多智能体系统在个体、团队与种群尺度的测试时协同演化

我们主张，多智能体测试时演化并非把单智能体演化复制N次。单智能体学习器只能演化自身的上下文与记忆，而多智能体系统还会演化谁与谁协作、如何协作，以及知识如何在种群中流动。这些成分没有单智能体对应物，并能产生诸如涌现式专门化的现象。然而已有的测试时方法要么把经验局限于个体智能体、放弃了跨智能体学习，要么对称地向所有智能体广播，抹去了使协作有价值的专门化。我们提出EVOCHAMBER，一个免训练框架，在一个协同演化的智能体池上于三个层级实现测试时演化。其核心是CODREAM（Collaborative Dreaming，协作式做梦），一个在团队失败或分歧时触发的任务后协议：智能体协作反思、提炼洞见，并将洞见从失败生态位上的强智能体不对称地路由给弱智能体，在填补知识空白的同时保留专门化。团队级算子组装生态位条件化的团队并在线选择协作结构。种群级生命周期算子在性能压力下对智能体进行分叉、合并、剪枝与播种。在使用Qwen3-8B的三个异构任务流上，EVOCHAMBER在竞赛数学上达到63.9%，代码上75.7%，多领域推理上87.1%，在数学上以32%的相对优势超越最佳基线，消融实验确认不对称跨智能体迁移是主要驱动因素。从若干完全相同初始化的智能体出发，四到五个稳定的生态位专家自发涌现，这是单智能体学习器无法表达的多智能体演化结构特征。代码见：https://github.com/Mercury7353/EvoChamber